Clasificación multitemporal de usos del suelo en la Cuenca del Río Vinalopó (Comunidad Valenciana) mediante diferentes algoritmos de clasificación supervisada y variables auxiliares

Resumen

La dificultad y coste de obtener información en continuo dificulta la cuantificación de los procesos que intervienen en el ciclo hidrológico. Se requieren por tanto métodos de obtención indirecta como la teledetección. El objetivo de este trabajo es la caracterización espacio-temporal de los usos del suelo en la cuenca del Vinalopó, representativa de paisajes fuertemente antropizados y heterogéneos del sureste español. Como información de partida se han utilizado imágenes del sensor Landsat TM para la serie temporal 2000-2010. Se evalúan diferentes aspectos como la mejora en la estimación al incluir imágenes de varias estaciones para un mismo año, (hasta cuatro fechas representativas de las cuatro estaciones del año) o variables auxiliares derivadas del relieve (elevaciones, pendientes y orientaciones) y texturales (semivariograma del albedo y el NDVI). Así mismo se evalúan diferentes métodos de clasificación. Un método paramétrico: Máxima Verosimilitud (ML); dos no paramétricos: Random Forest (RF) y Máquinas de Vectores Soporte (SVM) con kernel radial; y el método paramétrico contextual Sequential Maximum a Posteriori (SMAP). Los parámetros de RF y SVM se optimizan mediante validación cruzada y minimización del error de clasificación. Como medida de bondad en la clasificación se ha utilizado el índice kappa, estimado mediante intervalos de confianza. El proceso de trabajo se desarrolla sobre una plataforma de bajo coste, utilizando programas Open Source (GRASS y R) y como fuentes de información las plataformas liberalizadas de productos Landsat y el Plan Nacional de Teledetección. Los resultados revelan que el uso de imágenes de varias estaciones y variables auxiliares mejora las clasificaciones en todos los algoritmos. En lo referente a los algoritmos de clasificación, el exhaustivo trabajo realizado sobre los polígonos de entrenamiento y validación mejora los resultados de ML, no siendo significativamente peor al resto, a priori más robustos en estas zonas, caracterizadas por la alta variabilidad y falta de normalidad de las variables. También se aprecia una mejora en los resultados de RF y SVM al optimizar sus parámetros.