Clasificación de series de índices de vegetación con variación espacio-temporal para la identificación de actividad agropecuaria

CASTILLO MOINE, M.; BALZARINI, M.; GARCÍA, C.L.

Ciudad Autónoma de Buenos Aires

Congreso; 1° Congreso Argentino de Estadística (CAE I) XLIII Coloquio Argentino de Estadística XX Reunión Científica del GAB; 2015

Sociedad Argentina de Estadística y Grupo Argentino de Biometría

El conocimiento del estado de la vegetación usando información proveniente de sensores remotos requiere del empleo de técnicas analíticas que puedan contemplar la variabilidad espacial y temporal. En este trabajo se propuso un algoritmo basado en máquinas de soporte vectorial (SVM) para el análisis de series de tiempo de índices de vegetación con la finalidad de detectar cambios asociados al uso de la tierra. Se trabajó sobre series temporales de longitud 14 años, frecuencia 16 días de los índices NDVI y EVI para cada pixel de un ambiente serrano de Córdoba con diferentes historias de uso de la tierra (Parque Nacional Quebrada del Condorito); adicionalmente, para cada pixel seobtuvieron variables derivadas de un modelo digital de elevación (MDE) con las que se clasificó cada punto según su ubicación geográfica orientación, pendiente relativa, altura e índice de escabrosidad. La base de datos se particionó en conjuntos de entrenamiento y de validación. Se reconocen 47 unidades administrativas (potreros) en todo el parque, con objetivos de uso y conservación diferentes, con un promedio de 67,5 pixeles de 250 m de resolución espacial por unidad. La variabilidad temporal se evaluó ajustando un modelo de SVM-regresión sobre el que se identificaron los cambios de tendencias interanuales en ventanas móviles de dos años. Se usó toda la serie temporal como grupo de entrenamiento; se usó un kernel gaussiano. Finalmente los cambios temporales sugeridos por cada índice de vegetación para cada pixel más los grupos derivados del modelo digital de elevaciones, fueron mapeados espacialmente dentro de cada unidad administrativa luego de análisis de conglomerado (k-means). La clasificación de cada pixel fue validada con la condición existe ganadería/no existe ganadería. El método pudo predecir el uso ganadero/no ganadero de cada zona con un bajo error de clasificación cuando se usó NDVI.