Clasificación multitemporal de usos y coberturas del suelo en la cuenca del Mar Menor a partir de datos multitemporales de diferentes sensores remotos con técnicas de "Machine Learning"

Resumen

Dada la importancia de la monitorización de los usos y coberturas del suelo en el contexto del Cambio Global, este estudio analiza y evalúa los resultados de modelos conocidos para su clasificación en determinadas áreas semiáridas como la cuenca del Mar Menor, donde la distinción entre clases con características espectrales similares es compleja, utilizando datos de diferentes sensores de las constelaciones Sentinel-1 y Sentinel-2 de la ESA y Lidar del PNOA. Los aspectos analizados son: (1) el efecto que la elección del algoritmo para eliminar efectos atmosféricos de los datos ópticos (Sen2Cor, MAJA, ACOLITE o DOS) ejerce sobre los resultados, junto al de la elección de un conjunto de datos multitemporal adecuado y la influencia de ambos en la separabilidad entre clases; (2) la sinergia entre los diferentes tipos de datos (ópticos, SAR y Lidar) y su impacto en la clasificación; y (3) el uso de técnicas GEOBIA con diferentes algoritmos de segmentación Region Growing, Mean Shift y Multirresolución) y su efecto en la clasificación. En varios de los trabajos que componen este estudio también se han analizado y evaluado diferentes algoritmos de aprendizaje automático para clasificación, como Random Forest, Support Vector Machines, Perceptron Multicapa y otros tipos de Redes Neuronales. Los resultados obtenidos en el primer trabajo permiten afirmar que el uso de cuatro imágenes (una por estación) preprocesadas con ACOLITE, influye en la mejora del ajuste global de la clasificación y contribuye a la separabilidad entre las clases establecidas. Los resultados del segundo trabajo confirman que el uso de datos de diferentes sensores mejora los resultados de la clasificación en el área. Paralelamente, la evaluación de varios algoritmos de aprendizaje automático para la clasificación refleja que Random Forest ofrece mejores resultados de ajuste y separabilidad frente a otros, utilizando con eficacia el método propuesto para la reducción de la dimensionalidad del modelo. El tercer trabajo presenta un procedimiento de optimización de los parámetros de los algoritmos de segmentación que permite ampliar el rango de combinaciones posibles de forma efectiva. Sin embargo, los resultados de exactitud global obtenidos usando métodos GEOBIA parecen sobreestimados. Su validación cualitativa evidencia confusiones serias entre clases, y hace necesario considerar también métricas específicas de clases. El algoritmo de segmentación Multirresolución destaca en métricas globales pero con errores de confusión entre clases, mientras que Region Growing muestra mejor funcionamiento con clases problemáticas. Random Forest parece el algoritmo de clasificación más adecuado en este área junto con la selección de variables, mejorando el rendimiento de los datos. Comparado con otros algoritmos, es el menos sensible a cambios de sus hiperparámetros, aunque no produzca las mejores métricas de ajuste globales, mientras que las redes neuronales como el Perceptrón Multicapa y las Redes Neuronales de Convolución tienden a incrementar las confusiones entre las clases menos frecuentes, ya que el proceso de optimización las lleva a reconocer mejor las clases más frecuentes.