Evaluación de los modos funcionales del método de máquina de soporte vectorial para la clasificación del uso de suelo en la cuenca cachi, región Ayacucho, 2019
DOI:
https://doi.org/10.51440/unsch.revistainvestigacion.28.1.2020.388Palabras clave:
Sentinel 2, Máquina de Soporte Vectorial, Uso de Suelo, OrfeoResumen
La presente investigación evalúa los modos funcionales del método de Máquina de Soporte Vectorial (MSV) para la clasificación del uso de suelo en la cuenca Cachi de la Región Ayacucho, durante el año 2019. La corrección de las imágenes Sentinel 2 se realizaron con la herramienta Sen2Cor del software SNAP. Los polígonos de clasificación de las zonas de uso de suelo se hizo con ayuda de la firma espectral de cada píxel según el valor de reflectancia y longitud de onda de cada banda. El reconocimiento de los distintos tipos de uso de suelo se logró mediante la aplicación de la MSV, para lo cual se requiere un conjunto de datos de entrenamiento, los que se etiquetan como clases para después construir un modelo que prediga una nueva muestra. Para ello, se utilizó el paquete Orfeo Toolbox en QGIS, siendo el modo funcional lineal el algoritmo más óptimo para la clasificación. Los resultados muestran que los suelos agrícolas son las áreas de mayor cobertura ocupando un área de 89246.83 ha equivalente al 24.66 % del área total de la cuenca Cachi, seguido del suelo desnudo con 85298.82 ha equivalente a 23.57 %, las áreas de suelo con vegetación tienen un porcentaje de cobertura de 19.89 %, las áreas de menor cobertura son la clase nieve con 0.09 % y la clase agua con 0.32 %.
Descargas
Citas
Bentancourt, G., 2005. Máquinas de Soporte Vectorial. Sci. Tech. XI, 67–72.
Castellón, J., 2015. Análisis comparativo entre ENVI y Orfeo Toolbox SVM. ResearchGate 9. http://dx.doi.org/10.13140/RG.2.1.1991.1844
Cervantes, J., 2009. Clasificación de grandes conjuntos de datos vía Máquinas de Vectores Soporte y aplicaciones en sistemas biológicos (Tesis Doctoral). Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional, México.
Cristianini, N., Shawe-Taylor, J., Shawe-Taylor, D. of C.S.R.H.J., 2000. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press, Cambridge. University Press.
European Space Agency, 2017. Sentinel-2 [WWW Document]. Eur. Space Agency. URL http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinel-2 (accessed 11.8.17).
Guttenberg, A.Z., 1959. A Multiple Land Use Classification System. J. Am. Inst. Plann. 25, 143–150. https://doi.org/10.1080/01944365908978322
Henao, J., 1988. Introducción al manejo de cuencas hidrográficas. Universidad Santo Tomas, Bogota.
Moncada, W., Pereda, A., Aldana, C., Masias, M., Jimenez, J., 2015. Cuantificación hidrográfica de la cuenca del rio Cachi-Ayacucho, mediante imágenes satelitales. Inst. Investig. Científica E Innov. Tecnológica UNSCH II.
Vapnik, V., 1999a. An overview of statistical learning theory. IEEE Trans. Neural Netw. 10, 12. https://doi.org/10.1109 / 72.788640
Vapnik, V., 1999b. The Nature of Statistical Learning Theory, Segunda. ed. Springer, New York.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.