Una Evaluación Comparativa de Técnicas de Aprendizaje Automático para la Clasificación de Uso de Suelo y Cobertura Terrestre de la Sabana Tropical Brasileña Utilizando Imágenes Polarimétricas de ALOS-2/PALSAR-2

Este estudio propone un flujo de trabajo para la clasificación de uso de suelo y cobertura terrestre (LULC) de imágenes del Satélite de Observación de la Tierra Avanzado-2 (ALOS-2) tipo Radar de Apertura Sintética con Antena en Array en Banda L-2 (PALSAR-2) del bioma de la sabana tropical brasileña (Cerrado). Se consideraron las siguientes clases de LULC: tierras forestales; matorrales; pastizales; reforestaciones; tierras de cultivo; tierras de pastoreo; suelos/ficciones desnudas; áreas urbanas; y embalses de agua. El enfoque propuesto combina atributos polarimétricos, segmentación de imágenes y procedimientos de aprendizaje automático. Se generó un conjunto de 125 atributos utilizando imágenes polarimétricas de ALOS-2/PALSAR-2, incluidos los componentes de descomposición de objetivos van Zyl, Freeman–Durden, Yamaguchi y Cloude–Pottier, parámetros polarimétricos incoherentes (índices de biomasa y razones de polarización) e imágenes de amplitud polarizadas HH-, HV-, VH- y VV-. Estos atributos fueron clasificados utilizando los algoritmos Naive Bayes (NB), DT J48 (DT = árbol de decisión), Random Forest (RF), Perceptrón Multicapa (MLP) y Máquina de Vectores de Soporte (SVM). Los clasificadores RF, MLP y SVM presentaron las mejores actuaciones precisas. Los clasificadores NB y DT J48 mostraron un rendimiento inferior en relación con el RF, MLP y SVM. El clasificador DT J48 fue el algoritmo más adecuado para discriminar áreas urbanas y cobertura de vegetación natural. El flujo de trabajo propuesto puede ser replicado para otras imágenes SAR con diferentes modos de adquisición o para otros tipos de dominios de vegetación.