Search

La presente propuesta de investigación desarrolla una metodología, completamente implementada en un entorno orientado a objetos geográficos (GEOBIA), para la estimación y cuantificación de las dinámicas espaciotemporales de la cobertura Bosque (pérdida o deforestación), mediante el análisis de una serie de tiempo de imágenes multiespectrales de media resolución espacial (Landsat). Se formularon los procesos para la adecuada estructuración de los datos y construcción de la serie de tiempo, se determinaron a partir de los datos históricos de los mapas de Bosque y No Bosque (IDEAM) los parámetros para la optimización y definición del espacio de características que permitieron la segmentación, entrenamiento y clasificación de la serie de tiempo de objetos a partir de 4 algoritmos de aprendizaje de máquina (Machine Learning): Maquinas de soporte vectorial (SVM), árboles de decisión (DT), Bosques Aleatorios (RF) y K-nearest neigbor (KNN). Se formuló un marco metodológico, a partir del concepto de Link entre objetos temporales, para la generación de objetos de deforestación mediante el análisis espacio temporal de los objetos de bosque y no bosque clasificados en cada momento de la serie de tiempo; y a los objetos generados se aplicó una metodología de evaluación de exactitud integral orientada a objetos, matriz STEP, pues se consideran los aspectos geométricos y temáticos de los objetos generados en comparación al mapa de referencia. Los resultados obtenidos permiten concluir que una metodología de detección de cambios completamente orientada a objetos facilita el modelamiento de las características temáticas, geométricas y temporales para el análisis de cambios en las coberturas de la tierra y que los conceptos de análisis y modelamiento espacial de procesos cartográficos pueden implementarse en el mismo proceso de clasificación de la serie de tiempo. The research proposal develops a methodology fully implemented in a geographical object oriented environment (GEOBIA), for the estimation and quantification of the spatiotemporal dynamics of the forest cover (loss or deforestation), by analyzing a time series of medium spatial resolution multispectral images (Landsat). Processes for the proper multispectral and multitemporal data struturation and construction of the time series were formulated, and based on the historical data maps of the Forest and Non-Forest maps (IDEAM) the parameters for the optimization and definition of the feature space, segmentation, training and classification of the time series of objects through four Machine learning algorithms: Vector support machines (SVM), decision trees (DT), Random Forests (RF) and K- Nearest neigbor (KNN) were determined. A methodological framework was formulated, based on the concept of Temporal Link between objects in the time series, for the generation of deforestation objects by means of the temporal analysis of the Forest and Non-Forest objects classified at each moment of the time series; A object oriented accuracy assesment, STEP Matrix, was applied since the geometric and thematic aspects of the generated objects are considered in comparison to the reference map. The results obtained allow us to conclude that a fullyy object - oriented change detection methodology facilitates the modeling of thematic, geometric and temporal characteristics for the analysis of changes in land cover and that the concepts of analysis and spatial modeling of cartographic processes can be implemented in the same time series classification process. IDEAM, Sistema de monitoreo de bosques y carbono