ISSN2953-6367 Enero2026 http://revistainvestigo.com Vol.7No,18,PP.205-222 https://doi.org/10.56519/fm9vdc88 RevistaCientíficaMultidisciplinariaInvestiGoRiobamba–EcuadorCel:+593979119620revisinvestigo@gmail.com 205 USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBAUSEOFMACHINELEARNINGANDSATELLITEIMAGESFORLANDUSECLASSIFICATIONINTHERIOBAMBACANTONAlfredoRodrigoColchaOrtiz1,RaúlAlexisSalazarFlores2,HernánVladimirPazmiñoChiluiza3,MarceloDavidGuerraValladares4{alfredo.colcha@unach.edu.ec1,raul.salazar@unach.edu.ec2,hvpazmino@unach.edu.ec3,marcelo.guerra@unach.edu.ec4}Fechaderecepción:26/12/2025/Fechadeaceptación:05/01/2026/Fechadepublicación:06/01/2026RESUMEN:Elanálisisdelusodesueloconstituyeuninsumofundamentalparalaplanificaciónterritorialylagestiónambiental,especialmenteenterritoriosconaltacomplejidadgeográficacomolasciudadesinterandinas.Enestecontexto,elpresenteestudiotienecomoobjetivoaplicartécnicasdeMachineLearningcombinadasconimágenessatelitalesSentinel-2paralaclasificacióndelusodesueloenelcantónRiobamba,Ecuador.Eltrabajodeinvestigaciónutilizaunametodologíaconunenfoquecuantitativo,detipoaplicado,seutilizaimágenesdeSentinel-2dereflectanciasuperficialcorrespondientesaagostode2025,descargadasconlaplataformadeGoogleEarthEngineyprocesadasmedianteestadísticamultiespectral.Paralaclasificaciónsedefiniensieteclasesdeusoycoberturadelsuelo:agua,suelodesnudo,bosque,vegetaciónbaja/pasto,construcción,hieloyerosión.ElprocesodeclasificaciónserealizómedianteelalgoritmoSupportVectorMachines(SVM),elalgoritmofuecreadoenellenguajePythonconelentornoGoogleColab,incluyelaoptimizacióndeparámetrosmediantevalidacióncruzada.Lavalidacióndelmodeloseefectuóatravésdeunamatrizdeconfusiónconstruidacon203puntosdeprueba,obteniéndoseunaexactitudglobaldel72,41%,loqueevidenciaundesempeñosatisfactoriodelclasificador.Losresultadosmuestranunapredominanciadelavegetaciónbajaypastos,seguidaporáreasdesuelodesnudo,bosqueyconstrucción,reflejandotantolasdinámicasagropecuariascomoelprocesodeexpansiónurbanadelcantón.LaidentificacióndelasclaseshieloyerosiónpermitiócaracterizarzonasdealtamontañaqueestánrelacionadasalvolcánChimborazoyal 1 DocenteInvestigador,FacultaddeIngeniería,UniversidadNacionaldeChimborazo(UNACH),https://orcid.org/0009-0005-2280-5189 2 DocenteInvestigador,FacultaddeIngeniería,UniversidadNacionaldeChimborazo(UNACH),https://orcid.org/0000-0001-6483-2613 3 DocenteInvestigador,FacultaddeIngeniería,UniversidadNacionaldeChimborazo(UNACH),https://orcid.org/0000-0002-7169-7648 4 DocenteInvestigador,FacultaddeIngeniería,UniversidadNacionaldeChimborazo(UNACH),https://orcid.org/0000-0003-4119-4959
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 206 nevadoElAltar.Enconjunto,elestudiodemuestraqueelusodeSVMconstituyeunaherramientarobustayconfiableparalageneracióndecartografíatemáticadeusodesuelo,aportandoinformaciónclaveparalaplanificaciónygestiónterritorialaescalalocal.Palabrasclave:Clasificacióndelusodesuelo,GoogleEarthEngine,Imágenessatelitales,Matrizdeconfusión,Sentinel-2,SistemasdeInformaciónGeográfica,SupportVectorMachinesABSTRACT:Landuseanalysisisafundamentalinputforterritorialplanningandenvironmentalmanagement,especiallyinterritorieswithhighgeographicalcomplexitysuchasinter-Andeancities.Inthiscontext,thepresentstudyaimstoapplymachinelearningtechniquescombinedwithSentinel-2satelliteimagesforlanduseclassificationintheRiobambacanton,Ecuador.Theresearchusesaquantitative,appliedmethodology,utilizingSentinel-2surfacereflectanceimagesfromAugust2025,downloadedusingtheGoogleEarthEngineplatformandprocessedusingmultispectralstatistics.Sevenclassesoflanduseandlandcoveraredefinedforclassification:water,baresoil,forest,lowvegetation/grass,construction,ice,anderosion.TheclassificationprocesswasperformedusingtheSupportVectorMachines(SVM)algorithm,whichwascreatedinPythonwiththeGoogleColabenvironmentandincludesparameteroptimizationthroughcross-validation.Themodelwasvalidatedusingaconfusionmatrixconstructedwith203testpoints,obtaininganoverallaccuracyof72.41%,whichdemonstratesthesatisfactoryperformanceoftheclassifier.Theresultsshowapredominanceoflowvegetationandpastures,followedbyareasofbaresoil,forest,andconstruction,reflectingbothagriculturaldynamicsandtheprocessofurbanexpansioninthecanton.TheidentificationoficeanderosionclassesmadeitpossibletocharacterizehighmountainareasrelatedtotheChimborazovolcanoandtheElAltarsnow-cappedmountain.Overall,thestudydemonstratesthattheuseofSVMisarobustandreliabletoolforgeneratingthematiclandusemapping,providingkeyinformationforterritorialplanningandmanagementatthelocallevel.Keywords:Landuseclassification,GoogleEarthEngine,satelliteimagery,confusionmatrix;Sentinel-2,geographicinformationsystems,supportvectormachinesINTRODUCCIÓNElanálisisylaclasificacióndelusodesueloconstituyenherramientasfundamentalesparalaplanificaciónterritorial,lagestiónambientalylatomadedecisionesenelámbitourbanoyrural(1).Elcrecimientopoblacionalacelerado,laexpansiónurbananoplanificadayloscambiosenlasactividadesproductivashangeneradotransformacionessignificativasenlacoberturayusodelsuelo,especialmenteenciudadesinterandinasdepaísesendesarrollo(2).Paralasadministracionesdetodoslosterritoriosesimportantecontarconinformaciónactualizada,confiable,precisayespacialsobreelusodesuelo,yaqueesindispensableparaformularpolíticaspúblicasorientadasalordenamientoterritorialyaldesarrollosostenible(3).
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 207 ElcantónRiobamba,quepertenecealaprovinciadeChimborazoenlaregióncentraldelEcuador,experimentaenlasúltimasdécadasprocesoscontinuaosdeexpansiónurbanaycambiosenelusodesuterritorio,estocorrespondeafactoresdemográficos,económicosyambientales(4).Estasdinámicashangeneradopresionessobreáreasagrícolas,zonasnaturalesyespaciosperiurbanos,loquedemandaelusodemetodologíaseficientesquepermitanidentificar,clasificarymonitorearlosdistintostiposdeusodesuelodemaneraobjetivayreproducible(5).Enesteescenario,lasimágenessatelitalessehanconsolidadocomounafuentedeinformaciónclave,alofrecercoberturaespacialamplia,periodicidadtemporalyaccesoamúltiplesbandasespectralesquefacilitanladiscriminacióndecoberturasterrestres(6).Lasimágenessatelitalessehanconsolidadocomounadelasprincipalesfuentesdeinformaciónparalaclasificacióndelusodesuelo,debidoasuampliacoberturaespacial,disponibilidadtemporalycapacidadparacaptarinformaciónespectraldelasuperficieterrestre(7).Sensoresremotosderesoluciónmediayaltapermitendiscriminardiferentestiposdecoberturayusodelsuelomedianteelanálisisdefirmasespectralesasociadasaáreasurbanas,agrícolas,forestalesycuerposdeagua(8).Estascaracterísticasfacilitanlageneracióndecartografíatemáticaactualizadayobjetiva,reduciendocostosytiemposfrenteamétodostradicionalesdelevantamientoencampo,enelcontextodelaplanificaciónterritorialyurbana,elusodeimágenessatelitalesposibilitaelmonitoreocontinuodelasdinámicasespaciales,proporcionandoinsumostécnicosconfiablesparalatomadedecisionesylagestiónsostenibledelterritorio(2).Enlosúltimosaños,lastécnicasdeMachineLearninghanadquiridounrolprotagónicoenelanálisisdedatosgeoespaciales,debidoasucapacidadparamodelarrelacionescomplejasynolinealesentrevariablesespectralesyclasesdeusodesuelo,conmodeloscomoSVM,RandomForest,ÁrbolesdeDecisiónyk-NN(9).Adiferenciadelosmétodostradicionalesdeclasificaciónsupervisada,losalgoritmosdeaprendizajeautomáticopermitenmejorarlaprecisióndelosresultados,reducirlasubjetividaddelanalistayoptimizarelprocesamientodegrandesvolúmenesdedatossatelitales(10).Estasventajashanimpulsadosuaplicaciónenestudiosdeclasificacióndelusoycoberturadelsueloadiferentesescalasterritoriales.ElmodeloSupportvectormachines(SVM)sehanconsolidadocomounadelastécnicasmásrobustasyeficientesparalaclasificacióndelusodesueloapartirdeimágenessatelitales(11).LafortalezadeSVMradicaensucapacidadparaencontrarfronterasdedecisiónóptimasenespaciosdealtadimensionalidad,loqueresultaespecialmenteadecuadoparadatosespectralesmultibandaynolineales.Medianteelusodefuncioneskernel,SVMpermitemodelarrelacionescomplejasentrelasfirmasespectralesylasclasesdeusodesuelo,lograndoaltosnivelesdeprecisióninclusoconconjuntosdeentrenamientolimitados(12).Diversosestudioshandemostradosudesempeñosuperiorfrenteaotrosclasificadorestradicionales,particularmenteenentornosheterogéneosyurbanos,loquejustificasuaplicaciónenelanálisisterritorialylaplanificacióndelusodesuelo(13).EllenguajedeprogramaciónPythonsehaconsolidadocomounaherramientafundamentalparalaimplementacióndemodelosdeMachineLearningaplicadosalaclasificacióndelusodesuelo,debidoasuversatilidad,eficienciayampliadisponibilidaddelibreríasespecializadas(14).
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 208 Bibliotecascomoscikit-learn,TensorFlowyPyTorchpermitendesarrollar,entrenaryvalidaralgoritmosdeaprendizajeautomáticodemaneraeficiente,facilitandoelprocesamientodegrandesvolúmenesdedatosprovenientesdeimágenessatelitales(15).Además,PythonofreceunaaltacapacidaddeintegraciónconentornosdeSistemasdeInformaciónGeográfica,loqueposibilitaautomatizarflujosdetrabajo,reproducirresultadosymejorarlaprecisióndelosprocesosdeclasificación(16).PorsuscaracterísticasPythonesuncomponentefundamentalparaelanálisisgeoespacialylaconstruccióndecartografíatemáticaconfiable.LaplataformadeGoogleColabsehaconsolidadocomounentornodedesarrollointegrado(IDE)enlanubemásutilizadoparalaimplementacióndemodelosdeMachineLearningenellenguajePython,especialmenteparaelanálisisyclasificacióndelusodesueloapartirdeimágenessatelitales(17).Laplataformapermiteejecutarcódigosinnecesidaddeconfiguracioneslocalescomplejas,facilitandoalosusuarioselaccesoalibreríasespecializadascomoscikit-learn,TensorFlowyPyTorch(18).Además,GoogleColabofrececapacidadesdecómputoaceleradomedianteCPUyGPU,loqueoptimizaelentrenamientodemodelosyelprocesamientodegrandesvolúmenesdedatosgeoespaciales.Sucaráctercolaborativoyreproduciblefavorecelatransparenciayvalidacióndelosresultadosobtenidos(19).Bajoestecontexto,elpresenteestudiotienecomoobjetivoaplicartécnicasdeMachineLearningcombinadasconimágenessatelitalesparalaclasificacióndelusodesueloenelcantónRiobamba,lainvestigaciónbuscagenerarunproductocartográficoconfiablequereflejeladistribuciónespacialdelasprincipalesclasesdeusodesuelo,contribuyendoasíalfortalecimientodelosprocesosdeanálisisterritorialyproporcionandoinsumostécnicosparalaplanificaciónygestióndelterritorioanivellocal.MATERIALESYMÉTODOSLapresenteinvestigaciónadoptaunenfoquecuantitativo,sustentadoenelanálisisymodeladodedatosgeoespacialesparalaclasificacióndelusodesueloenelcantónRiobamba.Elestudioesdetipoaplicado,conunalcanceexplicativoydescriptivo,yaquebuscaidentificaryrepresentarladistribuciónespacialdelasprincipalesclasesdeusoycoberturadelsuelomediantetécnicasdeMachineLearning.Eldiseñometodológicoesnoexperimentalytransversal,dadoqueseanalizandatossatelitalescorrespondientesaunperiodoespecíficosinmanipulacióndirectadelasvariablesdeestudio.ParalarecoleccióndedatosseutilizólaplataformaGoogleEarthEngineparaladescargadeimágenessatelitalesSentinel-2dereflectanciasuperficial(Sentinel-2SR),considerandouncompuestomultiespectraldevariasbandascorrespondientealmesdeagostode2025.Parareducirlainfluenciadenubosidadyasegurarcontinuidadespacial,segeneróuncompuestoestadísticoconlamedianadelasescenasdisponibles.Adicionalmente,seemplearondatosvectorialesquecorrespondenaloslímitesdelcantónRiobambayunconjuntodepuntosdeentrenamientoyvalidacióngeorreferenciadosyclasificadosencampo.
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 209 Enlosinstrumentosseincluyenherramientascomo:SistemasdeInformaciónGeográficayprogramaciónenPythonconlibreríasespecializadascomoscikit-learn,rasterioygeopandasparalaextraccióndefirmasespectrales,elentrenamientodelmodeloSVM,laoptimizacióndeparámetrosmedianteGridSearchCVylavalidaciónderesultados.Asimismo,LaplataformaGoogleColabfueutilizadocomoentornodedesarrollo(IDE)porsucapacidaddeprocesamientoyreproducibilidadenlanube.LapoblacióndeestudiocorrespondealterritoriototaldelcantónRiobamba,mientrasquelamuestraestuvoconformadapor203puntosdevalidación,distribuidosdemaneraequilibradaentrelassieteclasesdeusodesuelodefinidas,loquepermitióevaluarlaprecisióndelmodelomediantelamatrizdeconfusiónygarantizarlaconfiabilidaddelosresultadosobtenidos.RESULTADOSEláreadeestudiocorrespondealCantónRiobamba,ubicadoenlaProvinciadeChimborazo,enlaregióninterandinacentraldelEcuador.Elcantónsecaracterizaporunrelievepredominantementeandino,conaltitudesquesuperanlos2700ms.n.m.,yporunamarcadaheterogeneidadfísico-ambientalqueincluyeáreasurbanasconsolidadas,zonasperiurbanas,superficiesagrícolas,pastizalesyremanentesdevegetaciónnatural.Riobambapresentauncrecimientourbanoprogresivoasociadoalincrementopoblacional,laexpansióndeinfraestructurayelcambioenlasdinámicasproductivas,loquehageneradotransformacionessignificativasenelusodelsuelodurantelasúltimasdécadas(20).EstascaracterísticasconviertenalcantónenunescenarioadecuadoparalaaplicacióndetécnicasdeclasificacióndelusodesuelomedianteimágenessatelitalesyMachineLearning,yaqueladiversidaddecoberturasylacomplejidadespacialpermitenevaluareldesempeñodelosmodelosencontextosurbanosyruralespropiosdeciudadesinterandinasdelEcuador.
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 210 Figura1.(a)ProvinciadeChimborazo,(b)CantónRiobamba.LaimagensatelitalutilizadaenesteestudiocorrespondeadatosSentinel-2dereflectanciasuperficial(Sentinel-2SR),descargadosdesdelaplataformaGoogleEarthEngine,considerandouncompositemultiespectraldelmesdeagostode2025(21).Paraoptimizarelprocesamientoyevitarpérdidasdecoberturaespacial,seaplicóunasimplificacióngeométricadeláreadeestudioysegeneróuncompuestoestadísticomediantelamedianadelasescenasdisponibles,reduciendolainfluenciadelanubosidad.Laimagenfinalintegrabandasespectralesde10my20mderesoluciónespacial,remuestreadasa10m,incluyendoregionesdelvisible,infrarrojocercanoydeondacorta,loquepermiteunaadecuadadiscriminaciónespectraldelasclasesdeusoycoberturadelsueloenlosprocesosdeclasificaciónsupervisada. Código.jsParte1 //===================================================== //SENTINEL-2OPTIMIZADOPARADESCARGALULC(rápidoyestable) //-Simplificageometría //-Usacompositemedianparaevitarcortesynubes //===================================================== //1)SHPdelcantón(FeatureCollection) var canton = ee . FeatureCollection ( 'users/tu_usuario/EC_Cantones_Riobamba' ); var geom = canton . geometry (). dissolve (). simplify ( 100 ); //3)Paraexportarsincuelgues:usarrectángulo(bounds) var regionExport = geom . bounds (); //verificarenmapa(muyligero) Map . centerObject ( geom , 10 ); Map . addLayer ( ee . Image (). paint ( geom , 1 , 2 ),{ palette: 'red' }, 'Canton (simplificado)' ); Map . addLayer ( ee . Image (). paint ( regionExport , 1 , 2 ),{ palette: 'blue' }, 'Bounds export(rectángulo)' ); //4)Sentinel-2SR(filtrado) var s2 = ee . ImageCollection ( 'COPERNICUS/S2_SR_HARMONIZED' ) . filterBounds ( geom ) . filterDate ( '2025-08-07' , '2025-08-09' ) . filter ( ee . Filter . lt ( 'CLOUDY_PIXEL_PERCENTAGE' , 30 )); //30%paratenermás escenas print ( 'Cantidaddeimágenes:' , s2 . size ()); //5)Composite(median)->másestablequeescogerunasolaimagen //Nota:medianreducenubesresidualessihayvariasescenas. var composite = s2 . median (). clip ( geom ); //6)BandasrecomendadasparaLULC(10bandas) var bandsLULC = [ 'B2' , 'B3' , 'B4' , 'B8' , 'B5' , 'B6' , 'B7' , 'B8A' , 'B11' , 'B12' ]; //Escalarreflectanciaa[0..1] var s2_lulc = composite . select ( bandsLULC ). divide ( 10000 );
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 211 Código.jsParte2 //7)Índices(opcionales,peroútiles) var ndvi = s2_lulc . normalizedDifference ([ 'B8' , 'B4' ]). rename ( 'NDVI' ); var ndbi = s2_lulc . normalizedDifference ([ 'B11' , 'B8' ]). rename ( 'NDBI' ); var ndwi = s2_lulc . normalizedDifference ([ 'B3' , 'B8' ]). rename ( 'NDWI' ); //Stackfinal var s2_stack = s2_lulc . addBands ([ ndvi , ndbi , ndwi ]); //8)Visualización(soloRGBparanocargardemasiado) Map . addLayer ( composite ,{ bands: [ 'B4' , 'B3' , 'B2' ], min: 0 , max: 3000 }, 'RGB composite' ); //9.1ExportLULC(10bandas+índices) Export . image . toDrive ({ image:s2_stack , description: 'S2_LULC_OPT_Riobamba_2025_08' , folder: 'GEE_Exports' , fileNamePrefix: 'S2_LULC_OPT_Riobamba_2025_08' , region:regionExport , scale: 10 , maxPixels: 1e13 }); //9.2ExportSOLO10bandas(siníndices) Export . image . toDrive ({ image:s2_lulc , description: 'S2_10B_OPT_Riobamba_2025_08' , folder: 'GEE_Exports' , fileNamePrefix: 'S2_10B_OPT_Riobamba_2025_08' , region:regionExport , scale: 10 , maxPixels: 1e13 }); //9.3ExportRGB“foto” Export . image . toDrive ({ image:composite . select ([ 'B2' , 'B3' , 'B4' ]). divide ( 10000 ), description: 'S2_RGB_OPT_Riobamba_2025_08' , folder: 'GEE_Exports' , fileNamePrefix: 'S2_RGB_OPT_Riobamba_2025_08' , region:regionExport , scale: 10 , maxPixels: 1e13 });
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 212 ElcódigoimplementadoenGoogleEarthEnginepermitiófiltrarimágenesSentinel-2dereflectanciasuperficialparaelmesdeagostode2025,utilizandoeláreadeestudiodefinidaporelshapefiledelcantón.Posteriormente,segeneróuncompuestomultiespectralmediantelamedianadelasescenasdisponibles,seseleccionaronlasbandasespectralesrelevantesparaclasificaciónyseexportólaimagenresultanteenformatoGeoTIFFparasuanálisisposterior. Figura2.ResultadoimágenesSentinel-2dereflectanciasuperficialparaelmesdeagostode2025.SedefineunatabladeclasesdeusoycoberturadelsueloparalaclasificacióndelascategoríasempleadasparaelcantónRiobamba,considerandosuscaracterísticasfísicas,ambientalesyurbanas,estasclasespermitenrepresentardemaneradiferenciadacuerposdeagua,vegetación,áreasurbanizadasyzonasdegradadas,facilitandoelanálisisespacialylainterpretacióndelosresultadosdelmodelodeclasificación.Tabla1.Clasesdeusodelsueloparalaclasificación. Clase Nombredelaclase Descripcióngeneral 1 Agua Ríos,quebradas,lagunas,cuerposdeaguasuperficiales 2 Suelodesnudo Zonassincoberturavegetal 3 Bosque Coberturadensadeárboles,tantobosquenaturalcomoplantaciones
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 213 Clase Nombredelaclase Descripcióngeneral forestales. 4 Vegetaciónbaja/Pasto Pastizalesycultivosdebajaaltura. 5 Construcción Zonasconsolidadasyurbanizadasconinfraestructuracomo:edificacionesyvías 6 Hielo Áreasconcoberturadenieveohielopermanenteespecíficamenteenzonasdealtamontaña. 7 Erosión Zonasconprocesoserosivos,cárcavas,taludesyáreasdegradadas. UtilizandolasimágenesmultiespectralesSentinel-2dediezbandasdescargadasypreprocesadas,yelshapefileconlospuntosdeentrenamientoetiquetadosconlaclasealaquecorresponde,sedesarrollóenlaplataformaGoogleColabunmodelodeclasificaciónsupervisadamedianteMáquinasdeVectoresdeSoporte(SVM).ElcódigoimplementadoenellenguajePythonpermiteextraerfirmasespectrales,entrenarelmodeloygenerarelmapafinaldeusodesuelodelcantónRiobambaconunaprecisiónalta.ConfiguracióndelmodeloSVM CódigoPythonParte1 #===CONFIGURACIÓNGLOBAL=== #SiquieresusarTODASlasbandas: BAND_IDX= None #SiquieresusarSOLOalgunasbandas,escribesunúmero(1-based): #BAND_IDX=[2,4,8]#Ejemplo:Blue(2),Red(4),NIR(8) #===EXTRACCIÓNDEMUESTRAS=== #Coordenadasdelospuntosdelshapefile coords= [( x , y ) for x , y in zip ( gdf.geometry.x , gdf.geometry.y )] #Extraervaloresespectralesdelrasterenesascoordenadas #Reopentherasterdataset with rasterio. open ( TIF_PATH ) as src : samples= [ list ( src.sample ([ pt ]))[ 0 ] for pt in coords ] X=np.array ( samples )
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 214 ElcódigopermiteextraerfirmasespectralesdesdeunaimagenSentinel-2multibandautilizandopuntosdeentrenamientoenformatoshapefile,apartirdelascoordenadasdelospuntos,semuestreanlosvaloresdelrasterconRasterio,seorganizalamatrizdecaracterísticasysehabilitalaseleccióndetodasoalgunasbandas,preparandolosdatosparaelentrenamientodelmodeloSVM. CódigoPythonParte2 #Númerodebandasenelraster n_bands=X.shape [ 1 ] #Getthenumberofbandsfromthesampleddata print ( "Elrastertiene" , n_bands , "bandas" ) #Aplicarseleccióndebandassegúnconfiguración if BAND_IDX is None : #Xalreadycontainsallbandsifsrc.samplewascalledwithout 'indexes' print ( "�Usandotodaslasbandas" ) else : #Selectspecificbands(adjustingfor0-basedindexing) X=X [:, np.array ( BAND_IDX ) -1 ] print ( "�Usandosololasbandas:" , BAND_IDX ) n_bands=X.shape [ 1 ] #Updaten_bandsafterbandselection print ( "Númerodebandasdespuésdelaselección:" , n_bands ) #Etiquetasdeclase y=gdf [ CLASS_COL_INT ] .values #UseCLASS_COL_INThere print ( "Matrizdedatos:" , X.shape , "→(n_muestras,n_bandas)" ) print ( "Clases:" , np.unique ( y ))
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 215 Esimportantedefinirloshiperparámetros,elcódigoimplementaunprocesodeoptimizacióndelmodeloSVMmedianteGridSearchCV,evaluandodistintascombinacionesdehiperparámetroscomoelcoeficientederegularizaciónC,eltipodekernelyelparámetrogamma,usandovalidacióncruzada.Definiradecuadamenteestoshiperparámetrosesfundamentalporquecontrolanlacomplejidaddelmodelo,elequilibrioentresesgoyvarianzaylacapacidaddegeneralización,loquepermitemaximizarlaprecisiónyevitarelsobreajusteenlaclasificacióndelusodesuelo.ModeloSVMEnelpresenteestudioelmodelodeclasificaciónseconstruyómedianteunflujosistemáticoqueintegrapreprocesamiento,optimizaciónyseleccióndelmejorclasificadorSVM.Inicialmente,segestionaronvaloresfaltantesenlosdatosespectralesutilizandounimputadorbasadoenlamedia,garantizandolaconsistenciaentrelosconjuntosdeentrenamientoyprueba.Posteriormente,sedefinieronconfiguracionesespecíficasdehiperparámetrosparadistintoskernelsdeSVM(lineal,radialRBFypolinómico),considerandoparámetrosclavecomoelcoeficientederegularizaciónC,elparámetrogammayelgradodelpolinomio.Paracadakernel,seaplicóunprocesodebúsquedaenmalla(GridSearchCV)convalidacióncruzada,permitiendoevaluarmúltiplescombinacionesyseleccionarautomáticamenteaquellaconmejordesempeño.Losresultadosobtenidossealmacenaronycompararonenfuncióndela CódigoPython #===GRIDSEARCHSVM=== from sklearn.model_selection import GridSearchCV from sklearn.svm import SVC #Definimosloshiperparámetrosaprobar param_grid= { "C" :[ 0.1 , 1 , 10 ], #regularización "kernel" :[ "linear" , "poly" , "rbf" ], #tiposdekernel "gamma" :[ "scale" , "auto" ] #soloaplicaarbf/poly } #Configuramoslabúsqueda grid=GridSearchCV ( SVC (), param_grid , cv= 5 , #validacióncruzadaen3particiones scoring= "accuracy" , #métricausada n_jobs= -1 #usartodoslosnúcleosdisponibles ) #Entrenamos grid.fit ( Xtrain , ytrain )
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 216 precisiónalcanzadaenelconjuntodeprueba,loquepermitióidentificarelkernelconmayorcapacidaddegeneralización.ElmodeloSVMóptimofuereentrenadoutilizandotodoslosdatosdeentrenamientoyloshiperparámetrosseleccionados,obteniéndoseunclasificadorrobustoylistoparasuaplicaciónenlaclasificacióndelusodesuelodelcantónRiobambaapartirdeimágenesmultiespectralesSentinel-2. CódigoPython from sklearn.model_selection import GridSearchCV from sklearn.svm import SVC import pandas as pd from sklearn.impute import SimpleImputer #ImportSimpleImputer #Definetheimputer imputer=SimpleImputer ( missing_values=np.nan , strategy= 'mean' ) Xtrain_imputed=imputer.fit_transform ( Xtrain ) Xtest_imputed=imputer.transform ( Xtest ) #---1)Definirkernelsygridssimples--- param_grid= { 'linear' :{ 'C' :[ 0.01 , 0.1 , 1 , 10 ]}, 'rbf' :{ 'C' :[ 0.1 , 1 , 10 ], 'gamma' :[ 'scale' , 0.01 , 0.1 , 1 ]}, 'poly' :{ 'C' :[ 0.1 , 1 , 10 ], 'degree' :[ 2 , 3 , 4 ], 'gamma' :[ 'scale' , 0.1 ]} } resultados= [] #---2)Probarcadakernel--- for kernel , grid in param_grid.items (): print ( f "\n�Probandokernel: { kernel } " ) #Definirmodelobase svc=SVC ( kernel=kernel , random_state=RANDOM_SEED ) #GridSearchconCV=3pararapidez clf=GridSearchCV ( svc , grid , cv= 3 , scoring= 'accuracy' , n_jobs= -1 ) #Usetheimputeddatafortraining clf.fit ( Xtrain_imputed , ytrain ) #EvaluarenTEST #Usetheimputeddatafortesting test_acc=clf.best_estimator_.score ( Xtest_imputed , ytest ) resultados.append ({ "Kernel" : kernel , "MejoresParámetros" : clf.best_params_ , "PrecisiónCV" : round ( clf.best_score_ , 3 ), "PrecisiónTEST" : round ( test_acc , 3 ) }) #---3)ConvertiraDataFrameordenadoporTEST--- df_resultados=pd.DataFrame ( resultados ) .sort_values ( by= "PrecisiónTEST" , ascending= False ) print ( "\n===RESULTADOSCOMPARATIVOS===" ) print ( df_resultados )
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 217 ComoresultadodelprocesodeclasificaciónsupervisadaconSVMsegenerarontresarchivosprincipales:Elrasterclasificacion_svm.tifcontieneelmapafinaldeusodesueloobtenidoapartirdeSentinel-2,elarchivocomparacion_modelos.csvcondatosqueresumeneldesempeñodeloskernelsevaluadosysumatrizdeconfusión,mientrasquesvm_model.pklcontieneelmodeloSVMresultanteentrenadoparasuutilizaciónyvalidación.Enelarchivoclasificacion_svm.tifseencuentralarepresentaciónespacialdelusodesuelodelcantónRiobamba,estearchivoeselresultadodelprocesodeclasificaciónsupervisadamedianteelalgoritmoSVM.Estearchivoenformato.tifesdecirunrásterreflejaladistribucióndelasdiferentesclasesdeusodelsuelodefinidasenlaTabla1,permitiendovisualizarsucomportamientoespacialysurelaciónconelentornourbanoyrural.LosresultadosdelaclasificaciónpuedenobservarsedemaneradetalladaenlaFigura3,dondeseevidencialadiferenciaciónespectralentrelascategoríasestablecidas. Figura3.ClasificacióndecoberturayusodesuelodelcantónRiobamba,modeloSVM.LaconfiguracióndelusodesueloenelcantónRiobambaevidenciaunamarcadaheterogeneidadespacialasociadaalascondicionestopográficas,climáticasyantrópicasdelterritorio.Predominanlasáreasdevegetaciónbajaybosqueenlaszonasruralesydetransición,
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 218 mientrasquelassuperficiesconstruidasseconcentranprincipalmenteenelnúcleourbano.Lapresenciadeclasesdehieloyerosiónselocalizaenlossectoresdealtamontaña,correspondientesalvolcánChimborazoyalNevadoElAltar,reflejandodinámicasnaturalespropiasdeambientesandinosdegranaltitud.ValidaciónTabla2.MatrizdeconfusióndelmodeloSVM. Clasereal\Clasepredicha Agua Suelodesnudo Bosque Vegetaciónbaja/Pasto Construcción Hielo Erosión Total Exactituddelusuario Agua 10 2 5 4 1 5 2 29 0,3448 Suelodesnudo 1 20 0 5 3 0 0 29 0,6897 Bosque 0 1 25 3 0 0 0 29 0,8621 Vegetaciónbaja/Pasto 0 5 0 24 0 0 0 29 0,8276 Construcción 1 3 0 4 20 0 1 29 0,6897 Hielo 0 1 0 1 0 27 0 29 0,9310 Erosión 0 4 0 1 2 1 21 29 0,7241 Total 12 36 30 42 26 33 24 203 — ExactituddelmodeloSVM 0,8333 0,5556 0,8333 0,5714 0,7692 0,8182 0,8750 — 0,7241 LavalidacióndelmodeloSVMconstituyeunaetapafundamentalparaevaluarlaconfiabilidadyeldesempeñodelaclasificacióndeusodesuelo,yaquepermitecontrastarlosresultadosobtenidoscondatosindependientesdeprueba.Enesteestudio,lamatrizdeconfusiónrepresentaunaherramientaclave,puescuantificademaneradetalladalosaciertosyerroresdeclasificaciónparacadaclase,permitiendoanalizartantolaexactituddelproductorcomoladelusuario(22).Apartirdelos203puntosdevalidación,losresultadosevidencianunniveldedesempeñoglobalsatisfactorio,conunaexactitudgeneraldel72,41%,loqueconfirmaunaadecuadacapacidaddelmodeloparadiscriminarlasdiferentescategoríasdeusodesuelo.EsteniveldeprecisiónrespaldalavalidezdelmodeloSVMcomounatécnicarobustayconfiableparaelanálisisterritorialdelcantónRiobamba.DISCUSIÓNTabla3.Distribucióndelasáreasdeclasificaciónenkilómetroscuadradosyporcentajes.
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 219 Códigodeclase Clase Área(km²) Porcentaje(%) 1 Agua 1,38 0,14 2 Suelodesnudo 146,78 14,70 3 Bosque 94,13 9,43 4 Vegetaciónbaja/Pasto 628,41 62,94 5 Construcción 87,23 8,74 6 Hielo 3,38 0,34 7 Erosión 37,16 3,72 LosresultadosobtenidosdelprocesodeclasificaciónsupervisadamedianteeldesarrollodelalgoritmoSVMdemuestraunaapropiadarepresentacióndelusodesueloenelcantónRiobamba,reflejandolasdinámicasnaturalesylasintervencionesantrópicasdelterritorio.Seobservaquepredominalaclasevegetaciónbaja/pasto,queconcentrael62,94%deláreatotal,estoconcuerdaconlaactividadagropecuariodelcantón,dondeampliasextensionesestándestinadasaactividadesagrícolasyganaderas.Lasclasesbosqueysuelodesnudopresentanunadistribuciónsignificativa,asociadaazonasdeforestaciónyreforestaciónqueseimpulsaenelcantón,ademásdelatransicióndealtitudyaprocesosdeusointensivodelsuelo.Lasáreasdeconstrucción,conun8,74%,seencuentranprincipalmenteenelnúcleourbanodelimitadoporlaciudaddeRiobamba,evidenciandoelprocesodeexpansiónurbanacaracterísticodeciudadesinterandinas.Porotraparte,lasclaseshieloyerosión,conporcentajesreducidos,resultanfundamentalesdesdeelpuntodevistaambiental,yaqueselocalizanensectoresdealtamontañaespecíficamenteenelvolcánChimborazoyelNevadoElAltar,estoaseguralacapacidaddelmodeloparadistinguircoberturasespectralmentecomplejas.Lavalidacióndelmodeloserealizamediantelamatrizdeconfusión,conunaexactitudglobaldel72,41%,loquerespaldalaconfiabilidaddelosresultadosobtenidos,destacandoaltosnivelesdeprecisiónenclasescomobosque,vegetaciónbajayhielo.Enconjunto,estosresultadosdemuestranqueelmodeloSVMconstituyeunaherramientarobustaparaelanálisisdelusodesuelo,aportandoinformaciónclaveparalaplanificaciónterritorialylagestiónsostenibledelcantónRiobambaCONCLUSIONESElpresenteestudioconfirmaquelaintegracióndetécnicasdeMachineLearningconimágenessatelitalesSentinel-2loqueconstituyeunametodologíasólida,eficienteyreproducibleparalaclasificacióndelusodesueloenterritoriosconaltacomplejidadfísico-ambientalyantrópica,comoelcantónRiobamba.LaaplicacióndelalgoritmoSupportVectorMachines(SVM),juntoconelpreprocesamientomultiespectralyoptimizacióndeparámetros,permitiógenerarcomoresultadounmapadelusodesuelodelcantónRiobambaquerepresentademaneradetalladalaconfiguraciónespacialdesuterritorio.
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 220 Losresultadosobtenidosreflejanunporcentajemayordelaclasevegetaciónbaja/pasto,queocupamásdel60%deláreatotal,locualescoherenteconelcarácteragropecuarioyperiurbanodelcantón.Asimismo,ladistribucióndelasáreasconstruidastienepatronesdeconcentraciónurbanadefinida,asociadosalaconsolidacióndesectoresurbanizadosenvirtuddelcrecimientoyexpansióndelaciudaddeRiobamba.Lasclasesdebosqueysuelodesnudopresentanunapresenciasignificativaenzonasruralesporlaforestaciónydetransición,mientrasquelaidentificacióndehieloyerosiónseencuentraensectoresdealtamontaña,poniendodemanifiestolacapacidaddelmodeloparadiscriminarydistinguircoberturascomplejasrelacionadasconprocesosnaturalespropiosdelentornoandino,especialmenteenáreasasociadasconelvolcánChimborazoyelNevadoElAltar.Lavalidacióndelmodeloserealizómediantelaconstruccióndelamatrizdeconfusióncon203puntosdeprueba,dantocomoresultadounaexactitudglobaldel72,41%,loqueindicaundesempeñoadecuadoysatisfactoriodelclasificadorSVMyrespaldalaconfiabilidaddelosresultados.Lasmétricasdeexactituddelproductorydelusuarioevidencianunbuencomportamientoenclasescomobosque,vegetaciónbajayhielo,confirmandolaestabilidaddelmodelofrentealaheterogeneidadespectraldeláreadeestudio.Enconjunto,estetrabajodemuestraqueelusodeSVM,implementadoenentornoscomputacionalesabiertoscomoPythonyGoogleColab,representaunaherramientatécnicaeficazparaelanálisisdelusodesuelo,aportandoinformaciónestratégicaparalaplanificaciónterritorial,lagestiónambientalyeldiseñodepolíticaspúblicasorientadasaldesarrollosostenibledelcantónRiobamba.REFERENCIASBIBLIOGRÁFICAS1.FoleyJA,DeFriesR,AsnerGP,BarfordC,BonanG,CarpenterSR,etal.GlobalConsequencesofLandUse.Science.22dejuliode2005;309(5734):570-4.2.GongP,WangJ,YuL,ZhaoY,ZhaoY,LiangL,etal.Finerresolutionobservationandmonitoringofgloballandcover:firstmappingresultswithLandsatTMandETM+data.IntJRemoteSens.10deabrilde2013;34(7):2607-54.3.LiuW,WuW,ThakuriahP,WangJ.Thegeographyofhumanactivityandlanduse:Abigdataapproach.Cities.1defebrerode2020;97:102523.4.Heredia-RM,TorresB,Cabrera-TorresF,TorresE,Díaz-AmbronaCGH,PappalardoSE.LandUseandLandCoverChangesintheDiversityandLifeZoneforUncontactedIndigenousPeople:DeforestationHotspotsintheYasuníBiosphereReserve,EcuadorianAmazon.Forests.8denoviembrede2021;12(11):1539.5.Ayala-IzurietaJ,MárquezC,GarcíaV,Recalde-MorenoC,Rodríguez-LlerenaM,Damián-CarriónD.LandCoverClassificationinanEcuadorianMountainGeosystemUsingaRandomForestClassifier,SpectralVegetationIndices,andAncillaryGeographicData.Geosciences.3demayode2017;7(2):34.6.UniversidadTécnicaEstataldeQuevedo,MuñozMarcilloJL,CabreraSincheB,ToulkeridisT.AnalysisoflandusechangeusingremotesensingandGIStechniquesintheCazaderosforest,Lojaprovince,SouthernEcuador.RevGeográficaChileTerraAust[Internet].31de
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 221 diciembrede2023[citado29dediciembrede2025];59.Disponibleen:https://www.revistaterraaustralis.cl/index.php/rgch/article/view/1727.HwangT,GholizadehH,SimsDA,NovickKA,BrzostekER,PhillipsRP,etal.Capturingspecies-leveldroughtresponsesinatemperatedeciduousforestusingratiosofphotochemicalreflectanceindicesbetweensunlitandshadedcanopies.RemoteSensEnviron.septiembrede2017;199:350-9.8.XieY,ShaZ,YuM.Remotesensingimageryinvegetationmapping:areview.JPlantEcol.1demarzode2008;1(1):9-23.9.MaxwellAE,WarnerTA,FangF.Implementationofmachine-learningclassificationinremotesensing:anappliedreview.IntJRemoteSens.3demayode2018;39(9):2784-817.10.WangM,SonS.VIIRS-derivedchlorophyll-ausingtheoceancolorindexmethod.RemoteSensEnviron.septiembrede2016;182:141-9.11.MountrakisG,ImJ,OgoleC.Supportvectormachinesinremotesensing:Areview.ISPRSJPhotogrammRemoteSens.mayode2011;66(3):247-59.12.PhinnS,StanfordM,ScarthP,MurrayAT,ShyyPT.Monitoringthecompositionofurbanenvironmentsbasedonthevegetation-impervioussurface-soil(VIS)modelbysubpixelanalysistechniques.IntJRemoteSens.enerode2002;23(20):4131-53.13.PalM,MatherPM.Supportvectormachinesforclassificationinremotesensing.IntJRemoteSens.marzode2005;26(5):1007-11.14.MaxwellAE,WarnerTA,FangF.Implementationofmachine-learningclassificationinremotesensing:anappliedreview.IntJRemoteSens.3demayode2018;39(9):2784-817.15.GrangerBE,PerezF.Jupyter:ThinkingandStorytellingWithCodeandData.ComputSciEng.1demarzode2021;23(2):7-14.16.HallM.MarkHallonDataMining&Weka:CPythonIntegrationinWeka[Internet].MarkHallonDataMining&Weka.2015[citado29dediciembrede2025].Disponibleen:https://markahall.blogspot.com/2015/06/cpython-integration-in-weka.html17.ArmbrustM,FoxA,GriffithR,JosephAD,KatzR,KonwinskiA,etal.Aviewofcloudcomputing.CommunACM.abrilde2010;53(4):50-8.18.KluyverThomas,Ragan-KelleyBenjamin,PérezFernando,GrangerBrian,BussonnierMatthias,FredericJonathan,etal.JupyterNotebooks–apublishingformatforreproduciblecomputationalworkflows.En:PositioningandPowerinAcademicPublishing:Players,AgentsandAgendas[Internet].IOSPress;2016[citado29dediciembrede2025].Disponibleen:https://www.medra.org/servlet/aliasResolver?alias=iospressISBN&isbn=978-1-61499-648-4&spage=87&doi=10.3233/978-1-61499-649-1-8719.PerkelJM.WhyJupyterisdatascientists’computationalnotebookofchoice.Nature.1denoviembrede2018;563(7729):145-6.20.GoRaymi[Internet].[citado30dediciembrede2025].Riobamba.Disponibleen:https://www.goraymi.com/es-ec/chimborazo/riobamba/guia-turismo-d894e521.ColeccionesdeSentinelenEarthEngine|EarthEngineDataCatalog|GoogleforDevelopers[Internet].[citado30dediciembrede2025].Disponibleen:https://developers.google.com/earth-engine/datasets/catalog/sentinel?hl=es-41922.CongaltonRG.Areviewofassessingtheaccuracyofclassificationsofremotelysenseddata.RemoteSensEnviron.juliode1991;37(1):35-46.
USODEMACHINELEARNINGEIMÁGENESSATELITALESPARALACLASIFICACIÓNDELUSODESUELOENELCANTÓNRIOBAMBA 222