ChileanJAR

Los datos de cobertura de suelo representan información ambiental clave para aplicaciones científicas y políticas, por esto su clasificación a partir de imágenes satelitales es importante. Las redes neuronales (NN) constituyen una herramienta valiosa para clasificar imágenes satelitales pues no requieren hipótesis sobre la distribución de los datos. Los objetivos de este trabajo fueron desarrollar modelos de NN para clasificar datos de cobertura de suelo a partir de información proveniente de imágenes satelitales y evaluarlos cuando se utilizan diferentes variables de entrada. Se utilizaron imágenes satelitales MODIS-MYD13Q1 y datos de 85 parcelas en Córdoba (Argentina). Se diseñaron cinco NN del tipo perceptrón multicapa feed-forward. Cuatro de ellas recibieron como patrones de entrada valores de NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), de reflectancias en la bandas roja (RED) y en infrarroja cercana (NIR), respectivamente. La quinta NN tuvo como valores de entrada las reflectancias RED y NIR. La validación, permitió concluir que todos los modelos presentan un buen desempeño. El modelo que muestra mejor comportamiento es aquel que considera conjuntamente valores de reflectancias RED y NIR, cuya precisión en la clasificación es del 93% con un estadístico Kappa excelente. Las redes construidas individualmente a partir de valores de NDVI y EVI tienen un comportamiento similar (86 y 83% de exactitud, respectivamente), con estadísticos Kappa muy bueno y bueno, respectivamente. Las NN que incluyen sólo valores de RED o NIR presentaron los menores porcentajes de exactitud (76 y 81%, respectivamente) con índices Kappa regular y bueno, respectivamente.