El análisis del uso y cobertura del suelo (LULC, por sus siglas en inglés) ha cobrado una importancia creciente en los estudios ambientales debido a su impacto directo en el entorno. Las modificaciones en el LULC pueden alterar el equilibrio ecológico y climático, además de incrementar la susceptibilidad del terreno a fenómenos peligrosos. Sin embargo, uno de los principales retos en el análisis de series temporales de LULC es la presencia de errores de clasificación que pueden resultar en transiciones inválidas. Estas transiciones, que representan cambios de cobertura del suelo poco probables o imposibles en un periodo determinado, pueden llevar a interpretaciones erróneas sobre las causas o consecuencias de eventos de riesgo, especialmente en zonas con alta susceptibilidad, como las regiones montañosas.
Con el objetivo de mejorar la precisión en la identificación de estos cambios, un equipo de investigadores de Brasil, Ecuador y China ha desarrollado un método que integra el algoritmo Random Forest (RF) con el enfoque temporal del algoritmo Compound Maximum a Posteriori (CMAP), denominado RF-CMAP. A diferencia de los métodos tradicionales que analizan cada año de forma independiente, el algoritmo CMAP considera la dinámica temporal de los cambios en el LULC, evaluando la probabilidad de transiciones a lo largo del tiempo y asegurando que los cambios reportados sean coherentes con los procesos naturales observados.
Mejoras en la precisión del análisis de cambios en la cobertura del suelo
El proceso de clasificación integra las probabilidades de cada clase de LULC para ser clasificadas en cada píxel de imagen, según lo determinado por el algoritmo RF, junto con el enfoque temporal proporcionado por el algoritmo CMAP. Para este análisis, se utilizaron imágenes de Landsat de tres años (2000, 2008 y 2016) y se compararon los resultados obtenidos con el método RF tradicional. Aunque ambos métodos mostraron un alto rendimiento, con valores de precisión general superiores a 0.87, el método RF-CMAP superó al RF en todos los años analizados, corrigiendo 99.92 km2 (12% del área total) de transiciones inválidas identificadas en las clasificaciones de RF.
La investigación, publicada en la revista Remote Sensing Applications: Society and Environment, también destaca las validaciones y análisis de rendimiento de las clasificaciones generadas por cada modelo. Por ejemplo, la precisión general de las áreas de cambio de LULC entre 2000 y 2008 fue de 0.622 para RF y de 0.703 para RF-CMAP, siendo este último capaz de corregir el 78% de los errores relacionados con transiciones inválidas durante este periodo. La tasa de corrección de errores por parte de RF-CMAP aumentó al 81% para el periodo 2008–2016.
Además, el método RF-CMAP redujo significativamente el efecto de sal y pimienta, mejorando la homogeneidad de las regiones clasificadas y eliminando errores observados en las clasificaciones de RF. Esto incluyó una notable mejora en la clasificación de áreas sin cambios en el LULC, como bosques, suelos desnudos y agua. Entre 2000 y 2008, RF-CMAP corrigió un 50% más de errores en estas regiones que el método RF tradicional.
El área de estudio, la cuenca del río Rolante, experimentó fuertes lluvias en 2017 que provocaron más de 300 deslizamientos de tierra. Los eventos de lluvia extrema, combinados con cambios en el LULC, pueden aumentar la inestabilidad del suelo. En este contexto, identificar con precisión los cambios en el LULC es esencial para comprender los factores que contribuyen a la ocurrencia de fenómenos peligrosos y prevenir futuros desastres. En esta investigación, se pudo relacionar el 35% de los deslizamientos de tierra con transiciones inválidas entre 2000 y 2008, y el 16% entre 2008 y 2016. Estas transiciones inválidas pueden representar incorrectamente las condiciones ambientales que llevan a los deslizamientos.
Por ejemplo, el 35% de estos deslizamientos podría estar asociado con la reforestación, a pesar de que no hay evidencia de reforestación en esta área durante un periodo de ocho años. El método RF-CMAP ev evitó efectivamente estas transiciones inválidas, clasificando correctamente el 66% de las áreas afectadas por deslizamientos, en comparación con solo el 21% logrado con el modelo RF tradicional.
La integración de tecnologías avanzadas, como RF y CMAP, representa un avance significativo en el análisis temporal de los cambios en el LULC, ofreciendo valiosos conocimientos para mejorar la gestión del riesgo de desastres. Al abordar las transiciones inválidas en regiones propensas a deslizamientos, este modelo tiene el potencial de mejorar sustancialmente la prevención de desastres y proteger a las comunidades vulnerables. A medida que las tecnologías de teledetección y los algoritmos predictivos continúan mejorando, su adopción generalizada podría revolucionar la gestión sostenible de los recursos naturales y apoyar la gestión del riesgo de desastres.
Más información: Renata Pacheco Quevedo et al, Cambios en el uso y cobertura del suelo sin transiciones inválidas: un estudio de caso en un área afectada por deslizamientos de tierra, Remote Sensing Applications: Society and Environment (2024). DOI: 10.1016/j.rsase.2024.101314
