Detección de bosques de tierras secas mediante generalización de firmas espectrales

• Autores: Guida-Johnson, Bárbara; Aranda, María Agustina
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: artículo
• Fuente: Ecol. austral (En línea) 2025;02(035):306-316
• Materia: BOSQUE ABIERTO; IMAGENES SATELITALES; LANDSAT; RANDOM FOREST; SUPPORT VECTOR MACHINE; OPEN WOODLAND; SATELLITE IMAGES; LANDSAT; RANDOM FOREST; SUPPORT VECTOR MACHINE
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Los bosques de tierras secas se encuentran entre los más amenazados y menos estudiados del mundo. Detectarlos y monitorearlos con imágenes satelitales de resolución media presenta limitaciones derivadas de su estructura naturalmente abierta. Por ende, se han propuesto metodologías que incorporan información de imágenes de muy alta resolución; estas metodologías están comprometidas por la baja disponibilidad de imágenes en algunas regiones. El objetivo de este trabajo es evaluar la factibilidad de implementar la generalización de firmas espectrales para apoyar la detección multitemporal de los bosques de tierras secas, tomando como caso de estudio un bosque de algarrobo en Mendoza (Argentina). Este enfoque utiliza firmas espectrales de imágenes obtenidas en fechas diferentes a las de la imagen que se clasifica. Se comparó la generalización de firmas con el enfoque tradicional; es decir, utilizando firmas únicamente de la fecha bajo análisis. Para cada una de las tres fechas estudiadas también se evaluaron 9 tipos de clasificaciones, variando 1) la adición o ausencia de un índice espectral al mosaico que se clasifica; 2) el esquema de clasificación, y 3) el clasificador. Se construyeron matrices de error y se calcularon métricas de exactitud de los mapas. La exactitud total de las clasificaciones basadas en la generalización de firmas espectrales fue igual o mayor que la de las clasificaciones realizadas con firmas de la fecha analizada. Se obtuvieron mejores resultados al implementar un esquema de clasificación simple (con dos categorías: bosque y no bosque) y utilizando Random Forest. La metodología evaluada constituye un aporte valioso para el diseño de estrategias que permitan monitorear este tipo de bosques de forma remota con eficiencia, ya que se puede implementar en fechas y regiones con una cantidad insuficiente de muestras de alta resolución para clasificar y validar mapas, o donde estos datos estén muy concentrados en el espacio
Dryland forests are among the most threatened and least studied forests in the world. Their detection and monitoring using medium-resolution satellite imagery present limitations derived from their naturally open structure. Therefore, methodologies incorporating information from very high-resolution images have been proposed, though these are compromised by the low availability of such imagery in some regions. This work aims to evaluate the feasibility of implementing spectral signature generalization to support multitemporal detection of dryland forests, taking a carob forest in Mendoza (Argentina) as a case study. This approach uses spectral signatures from images obtained on dates different from those classified. Signature generalization was compared with the traditional approach (i.e., using signatures only from the date under analysis). For each of the three dates studied, nine types of classifications were evaluated, varying 1) the addition or absence of a spectral index to the mosaic being classified; 2) the classification scheme; and 3) the classifier. Error matrices were constructed, and map accuracy metrics were calculated. The overall accuracy of classifications based on spectral signature generalization was equal to or greater than that of classifications performed using signatures from the analyzed date. Better results were obtained for classification types by implementing a simple classification scheme (two categories: forest and non-forest) and using Random Forest. The evaluated methodology constitutes a valuable contribution to designing strategies for efficient remote monitoring of these types of forests, particularly because it can be implemented on dates and in regions with insufficient numbers of high-resolution samples for classification and map validation, or where these data are highly spatially concentrated
Fil: Guida-Johnson, Bárbara. Gobierno de la Provincia de Mendoza - Universidad Nacional de Cuyo - CONICET. Instituto Argentino de Nivología, Glaciología y Ciencias Ambientales (IANIGLA)
Fil: Aranda, María Agustina. Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales (UNCuyo-FCEN). Mendoza. Argentina