Evaluación de algoritmos de aprendizaje automático en la clasificación supervisada de imágenes satelitales multitemporales para el análisis de coberturas de suelo en Rionegro, Colombia

Abstract

RESUMEN : El análisis de coberturas de suelo mediante algoritmos de aprendizaje automático es fundamental para la gestión sostenible del territorio, especialmente en contextos de alta complejidad como Rionegro, Antioquia, Colombia. Este estudio implementa una metodología robusta para evaluar el desempeño de cinco algoritmos de clasificación supervisada (Random Forest, K-Nearest Neighbors, Naive Bayes, Gradient Boosting y CART) utilizando imágenes Sentinel-2 multiespectrales procesadas en Google Earth Engine (GEE). La investigación integra preprocesamiento avanzado, enmascaramiento de nubes, cálculo de índices espectrales (NDVI, NDBI, NDWI) y balanceo de clases mediante SMOTE para abordar problemas de desbalance en los datos. Los resultados muestran que Random Forest se destaca con una precisión global promedio del 83%, un índice Kappa de 0.81 y valores de área bajo la curva (AUC) superiores a 0.9 en las principales clases de cobertura. El algoritmo KNN, aunque menos robusto, logró desempeños aceptables en clases con características espectrales bien diferenciadas. Por el contrario, Naive Bayes y CART demostraron limitaciones importantes, reflejadas en precisiones globales inferiores al 30% y un índice Kappa cercano a cero, atribuibles a la alta fragmentación del paisaje y el solapamiento espectral. El análisis de curvas ROC y matrices de confusión resalta que las clases relacionadas con áreas urbanas y cuerpos de agua presentan la mejor discriminación, mientras que las clases agrícolas y de vegetación mixta son más propensas a errores.

ABSTRACT : Land cover analysis using machine learning algorithms is essential for sustainable land management, particularly in complex contexts such as Rionegro, Antioquia, Colombia. This study implements a robust methodology to evaluate the performance of five supervised classification algorithms (Random Forest, K-Nearest Neighbors, Naive Bayes, Gradient Boosting, and CART) using Sentinel-2 multispectral imagery processed in Google Earth Engine (GEE). The research integrates advanced preprocessing, cloud masking, spectral index calculation (NDVI, NDBI, NDWI), and class balancing through SMOTE to address imbalances in the training dataset. The results highlight Random Forest as the most effective model, achieving an average overall accuracy of 83%, a Kappa index of 0.81, and area under the curve (AUC) values above 0.9 for major land cover classes. While KNN showed moderate success in spectrally distinct classes, Naive Bayes and CART exhibited significant limitations, with overall accuracies below 30% and Kappa indices close to zero, primarily due to high landscape fragmentation and spectral overlap. The ROC curves and confusion matrices underscore that urban and water-related classes are well-discriminated, whereas agricultural and mixed vegetation classes are more prone to misclassification.