Cien Inv. Agr. 40 (2): 419-428.

2013
www.rcia.uc.cl

manejo del suelo

nota de investigación

Métodos de evaluación del desempeño para la clasificación supervisada de

imágenes satelitales para determinar las clases de cobertura del suelo

Carlos H. Wachholz de Souza, Erivelto Mercante, Victor HR Prudente,

y Diego DD Justina
Programa de Postgrado en Ingeniería Agrícola, Western Paraná State University.
2069 Universitária St, Cascavel, Paraná, Brasil.

Resumen

CHW Souza, E. Mercante, VHR Prudente y DDD Justina. 2013. Métodos de evaluación del desempeño para la clasificación

supervisada de imágenes satelitales para determinar las clases de cobertura del suelo. Cien Inv. Agr. 40 (2): 419-428. Las imágenes

satelitales, en combinación con técnicas de teledetección, brindan una nueva oportunidad para monitorear y evaluar cultivos con un costo más

bajo y una mayor objetividad que los estudios tradicionales. La presente investigación empleó imágenes satelitales Landsat 5 / TM para

identificar las clases de cobertura del suelo en Cafelândia (Paraná, Brasil), una ciudad predominantemente agrícola. En este trabajo se

probaron cinco métodos de clasificación supervisada (paralelepípedo (PL), distancia mínima (MND), distancia de Mahalanobis (MHD),

clasificador de máxima verosimilitud (MLC) y mapeador de ángulo espectral (SAM)). Para evaluar la eficiencia de las clasificaciones, se

utilizaron índices de precisión y métricas de error obtenidas a través de matrices de confusión total. Los resultados indicaron que los métodos

Mahalanobis y SAM generaron los errores más pequeños para las cuatro clases de uso de la tierra estudiadas (soja, maíz, bosque, y suelo

desnudo), con valores de precisión general de 88% y 86%, respectivamente, y valores de índice kappa de 0,83 y 0,80, respectivamente. Los

valores de estos métodos para las métricas aplicadas fueron 0,88 y 0,86 para el índice de sensibilidad, 0,96 y 0,95 para el índice de

especificidad total y 0,84 y 0,81 para el coeficiente de correlación Matthews, respectivamente. Los diferentes métodos de clasificación

exhibieron claramente grandes variaciones en su desempeño para el mapeo de la cubierta terrestre. El uso de medidas obtenidas de la matriz

de error es un método adecuado para comparar mapas temáticos. 81 para el coeficiente de correlación Matthews, respectivamente. Los

diferentes métodos de clasificación exhibieron claramente grandes variaciones en su desempeño para el mapeo de la cubierta terrestre. El uso

de medidas obtenidas de la matriz de error es un método adecuado para comparar mapas temáticos. 81 para el coeficiente de correlación

Matthews, respectivamente. Los diferentes métodos de clasificación exhibieron claramente grandes variaciones en su desempeño para el

mapeo de la cubierta terrestre. El uso de medidas obtenidas de la matriz de error es un método adecuado para comparar mapas temáticos.

Palabras clave: Índices de precisión, paisaje agrícola, clasificadores, teledetección.

Introducción Es una necesidad para la mejor comprensión de las

relaciones e interacciones entre los fenómenos naturales y
El cambio de la cobertura del suelo es un aspecto importante de los humanos, que proporcionará una base para el uso de la
cambios globales que afectan los sistemas ecológicos (Foody, 2002). gestión de los recursos naturales (Lu et al. 2004).
La detección rápida y precisa de los cambios y características de la

superficie de la Tierra.

Los datos del sensor satelital ofrecen una herramienta valiosa para el

estudio del uso y ocupación de la superficie terrestre (Brian et al.

Recibido el 1 de octubre de 2012. Aceptado el 3 de julio de 2013. Autor

para correspondencia: carlos_hws@hotmail.com 2011). Encuestas de teledetección y la interpretación.

420 ciencia e investigación agraria
de fotografías aéreas o imágenes satelitales se pueden usar para
estimar el área de cada clase de cobertura terrestre en una región
determinada (Luiz et al. 2002). Estas encuestas permiten la
adquisición rápida de información, proporcionan una visión sinóptica
de las áreas de estudio y generan información más objetiva y precisa
a un costo relativamente más bajo (Pal y Mather, 2004).
Se pueden usar varios tipos de imágenes para examinar el entorno
terrestre dependiendo del propósito de un estudio dado. Las
imágenes satelitales de Landsat, por ejemplo, se usan
ampliamente para mapear la superficie de la Tierra (Williams et al. 2006).
Según Janssen y Van der Wel (1994), la clasificación o
interpretación de las imágenes se puede realizar de forma visual o
digital. La interpretación visual tiene en gran medida las mismas
características que la interpretación fotográfica tradicional
(fotografías aéreas), mientras que la clasificación digital implica el
uso de algoritmos clasificadores, ecuaciones estadísticas
implementadas en programas específicos diseñados para
minimizar los errores de interpretación (Cruz, 2008).
La clasificación supervisada es un procedimiento utilizado para
identificar áreas espectralmente similares (muestras de
entrenamiento) dentro de una imagen. El usuario identifica varias
regiones de interés conocidas en el área terrestre, y el algoritmo
elegido extrapola estas características espectrales para clasificar las
otras partes de la imagen (Castillejo-González et al. 2009).
Los métodos de clasificación se dividen en tres categorías principales
según la regla de decisión: distancia, probabilidad o espectro
angular. Los algoritmos de clasificación basados ​en la distancia,
como los métodos de distancia mínima (MND), paralelepípedo (PL) y
distancia de Mahalanobis (MHD), emplean principalmente valores
espectrales medios para diferentes clases, ignorando los valores de
varianza. Clasificadores como el método de máxima verosimilitud
(MLC) incorporan tanto la media como la varianza del conjunto de
datos. Finalmente, los clasificadores basados ​en el espectro angular,
como el mapeador de ángulo espectral (SAM), usan los ángulos
espectrales formados entre un espectro de referencia y un píxel
clasificado (Sur et al. 2004).
La técnica de la matriz de errores y la precisión general y las
métricas del índice kappa se han utilizado para determinar la
precisión de los algoritmos de clasificación digital (Cohen, 1960).
Según lo descrito por Richards y Jia (1999), la matriz de errores
permite la evaluación del desempeño de la clasificación a través
del análisis de errores de inclusión y omisión, particularmente
cuando un pequeño número de clases de uso de la tierra son de
interés, como en las estimaciones de áreas de cultivo . Otro
método para comparar mapas temáticos es la creación de una
matriz de confusión (Fielding y Bell, 1997), que se puede obtener
de los elementos de la matriz de error.
Ma y Redmond (1995) propusieron el índice tau (T) como una
medida de la precisión de los métodos de clasificación, en el que
la precisión de la clasificación se estima en relación con el ajuste
aleatorio de píxeles para las clases.
Se han realizado varios estudios utilizando métodos de clasificación
digital con imágenes satelitales para identificar el uso del suelo y las
clases de cobertura (Hubert-Moy
et al. 2001; Sur et al. 2004; Bakr et al. 2010; Yang et al. 2011). Sin
embargo, como Castillejo-González
et al. ( 2009) explican, no existe un método de clasificación ideal; El
método más adecuado para cada estudio está determinado por sus
requisitos.
El presente estudio comparó la precisión de cinco métodos de
clasificación supervisados ​utilizando coeficientes de
concordancia y las métricas derivadas de la matriz de confusión
para la comparación de mapas temáticos, que se obtuvieron a
través del muestreo de panel de imágenes multiespectrales
tomadas por el sensor Landsat 5 TM.
materiales y métodos
Área de estudio y adquisición de imágenes.
El área de estudio cubre 272 km² del municipio de Cafelândia
(Paraná, Brasil), estado de Paraná occidental, en la latitud 24 °
37 'S y longitud 53 ° 20' W (Figura 1). El clima de la región se
clasifica como
 VOLUMEN 40 Nº2 MAYO - AGOSTO 2013 421

mesotérmica, subtropical húmeda, con una precipitación media El primer paso del procesamiento fue una transformación

anual de 1.850 mm y una temperatura media de 27 ºC durante el radiométrica, en la cual los valores de los niveles de gris de la

verano y 17 ºC durante el invierno (IAPAR, 2000). La altitud media imagen se convirtieron en valores físicos de reflectancia aparente en

de la zona es de 550 metros. El relieve es liso, principalmente la parte superior de la atmósfera, de acuerdo con los métodos de

tierras planas con pocas pendientes no aptas para fines agrícolas. Chander et al. ( 2009). Luego se realizó una corrección geométrica

Cafelândia es una ciudad predominantemente agrícola, en gran (georreferenciación), que consistió en identificar los puntos de

parte debido a la alta fertilidad natural de su suelo, que es control existentes de alta calidad en la imagen Landsat

principalmente Latosol rojo eutrófico (EMBRAPA, 2006). georreferenciada y procesada (Guía técnica GEOCOVER) (GLCF,

2012). Este proceso asociaba el sistema de proyección de imágenes

y las coordenadas geográficas a través de un modelo matemático.

La imagen utilizada en el presente estudio fue tomada del sensor

Landsat 5 TM, escena 223/77 del 11 de abril. S t, 2011, y tenía las
siguientes características: resolución temporal de 16 días; una La imagen compuesta de color falso RGB-453 se usó en este estudio,

resolución radiométrica de 8 bits (256 niveles de gris); resolución en el que las bandas 3, 4 y 5 presentaron un rango espectral de rojo

espectral de seis bandas, con tres bandas que cubren la región (0.63 a 0.69 µm), infrarrojo cercano (0.76 a 0.90 µm) e infrarrojo medio

del espectro visible (Bandas 1, 2 y 3), una banda que cubre el (1.55 a 1.75 µm), respectivamente. Se utilizaron patrones de colores,

infrarrojo cercano (NIR) (Banda 4) y dos bandas que cubren el texturas y formas en la composición RGB 453 para identificar áreas de

infrarrojo medio (MIR) ( Bandas 5 y 7), todas con una resolución soja, maíz, suelo desnudo y bosque, que luego se confirmaron con

espacial de 30 m; y una banda térmica (Banda 6) con una información de campo.

resolución espacial de 60 m. Las imágenes fueron adquiridas del

Instituto Nacional Brasileño de Investigación Espacial (INPE) en
formato GeoTIFF. La Figura 2 ilustra las características de color de los objetivos, en

particular la composición de los colores utilizados en RGB-453. Una

vez que los cultivos (soja y maíz) alcanzan una cierta etapa de

desarrollo, son lo suficientemente diferentes de otros objetivos para

ser seleccionados visualmente como píxeles puros, proporcionando

Procesamiento y clasificación de imágenes. supervisión para la clasificación y una referencia básica para la

creación de la matriz de error.

La imagen fue procesada con el software ENVI

4.7, transformado en formato GeoTIFF utilizando el estándar
ENVI y guardado con proyección cartográfica UTM como Zona Las clasificaciones digitales supervisadas se llevaron a cabo utilizando

Sur 22, Datum WGS-84. las diferentes metodologías. La distancia-

Figura 1. Ubicación de la escena 223/77 y delimitación del municipio de Cafelândia, estado de Paraná.
422 ciencia e investigación agraria
Figura 2. Área de estudio en Landsat 5 / TM RGB 453 falso color, escena 223/77.
los métodos basados ​fueron los métodos de paralelepípedo, distancia
mínima y distancia de Mahalanobis, y los basados ​en probabilidad y
ángulo espectral fueron el clasificador de máxima probabilidad y los
métodos de mapeo de ángulo espectral, respectivamente.
Todos los métodos de clasificación se implementaron en el
software ENVI 4.7. El área urbana se vectorizó
manualmente y no se incluyó en la aplicación de los
métodos, ya que este tipo de objetivo exhibe una alta
mezcla espectral y podría confundirse con los otros
objetivos.
Análisis del rendimiento del método de clasificación.
Para evaluar la precisión de los métodos de clasificación utilizando
índices y matrices de error, se adoptó el método de muestra de panel.
Este método se caracteriza por la distribución aleatoria de puntos de
muestreo dentro del límite del municipio, con el objetivo de realizar
una encuesta de las clases de uso de la tierra de cada punto (Luiz et
al. 2002). Se utilizaron cien puntos de muestreo, dispersados
​aleatoriamente en la imagen Landsat RGB453 (Figura 3) (adoptada
como referencia tierra adentro), en las clasificaciones. La clasificación
del uso del suelo de cada punto se confirmó mediante inspección
visual, y los errores de cada método se usaron para construir su
matriz de error.
Figura 3. Puntos de muestreo aleatorios utilizados para comparar los mapas.
Las matrices de errores se utilizaron para calcular los índices y las
métricas que se describen a continuación. La precisión general,
expresada en la Ecuación 1, representa el número total de éxitos
en relación con el número total de muestras en la imagen
clasificada. La ecuación 2 calcula el coeficiente kappa (Cohen,
1960), para el cual, según Foody (2002), el valor mínimo aceptado
se estableció en 85%.
La precisión del productor (PA), como se muestra en la ecuación
3, también se utilizó para evaluar las clasificaciones; representa la
probabilidad de que un píxel de referencia se haya clasificado
correctamente. La precisión del usuario (UA), Ecuación 4, indica la
probabilidad de que un píxel clasificado en la imagen realmente
represente esa clase en el campo (Congalton, 1991).
(1)
(2)
(3)
(4)
 VOLUMEN 40 Nº2 MAYO - AGOSTO 2013
donde EG = precisión general; A = puntos de muestreo con
éxito; n = número de puntos de muestreo. K = coeficiente de
acuerdo kappa; r = número de filas de la matriz de error; X ij =
observación en la fila i columna j; X i = total marginal de la fila i; xj =
total marginal de la columna j.
La precisión también se evaluó utilizando el índice tau (Ma y
Redmond, 1995), que proporciona una medida cuantitativa
relativamente precisa e intuitiva de la precisión de la
clasificación. El índice tau, calculado de acuerdo con la
ecuación 5, es similar al índice kappa, y PAGS k indica el a
priori
probabilidades para cada clase.
(5)
cuando el a a priori las probabilidades para cada clase son iguales, es
decir, p i = 1 / k, donde k es el número de clases de la matriz de error.
Para la comparación global de mapas, Jenness y Wynne
(2005) han propuesto la matriz de confusión total que se
muestra en la Tabla 1, que se obtuvo de la matriz de error.
La Tabla 2 presenta una serie de métricas derivadas de la matriz de
confusión total utilizada para comparar los mapas temáticos.
El índice de sensibilidad ( S) indica la probabilidad de que un píxel en(B), MND (C), MLC (D) y PL (E). Se identificaron cuatro
el mapa modelo se clasifica como perteneciente a la clase k si
realmente pertenece a la clase k; Esta medida es equivalente a la
precisión del productor (Fielding y Bell, 1997). El índice de
especificidad ( MI) indica la probabilidad de que un píxel que no
pertenece a la clase k del mapa real se clasifica como no
perteneciente a la clase k en el mapa modelo (Lurz et al. 2001). El lograron un índice de precisión general superior al 85%: (A)
coeficiente de correlación de Matthews ( CCM) es una versión
discreta de la correlación del coeficiente de Pearson, y sus
valores caen dentro del rango [-1; 1], donde 1 representa una
predicción perfecta, 0 una predicción aleatoria y
-1 una predicción inversa (Dalposso et al. 2012).
423
Tabla 1. Matriz de confusión total.
Mapa de referencia
Verdadero (T) Falso (F)
Verdadero (T)
Mapa modelo
Falso (F)
Dónde a = cantidad de píxeles correctamente clasificados, b = cantidad de píxeles en el
mapa modelo incorrectamente clasificada como perteneciente a las clases del mapa real, c
= cantidad de píxeles que pertenecen a las clases del mapa real que pertenecen a
diferentes clases en el mapa modelo, d = cantidad de píxeles en el mapa modelo
correctamente clasificado como no perteneciente a las clases del mapa real.
Tabla 2. Métricas derivadas de la matriz de confusión total. Métrica
Ecuación
S a / (a ​+ c)
mi d / (b + d)
CCM ((a · d) - (b · c)) / ((a + b) · (a + c) · (d + b) · (d + c)) ( 1/2)
S: índice de sensibilidad, E: índice de especificidad total, CCM: Coeficiente de correlación de
Matthews.
Resultados y discusión
La Figura 4 ilustra los mapas temáticos obtenidos de los
cinco métodos de clasificación supervisados: MHD (A), SAM
clases distintas en los mapas: soja, maíz, suelo desnudo y
bosque.
La Tabla 3 enumera la precisión general y los coeficientes
kappa y tau de los cinco métodos de clasificación. Dos métodos
Mahalanobis y (B) SAM, con valores del 88% y 86%,
respectivamente. Landis y Koch (1977) sugirieron que los
valores del coeficiente kappa superiores a 0,8 indican que una
clasificación dada es de alta calidad, es decir, se aproxima a la
imagen de referencia. Los métodos que alcanzaron este valor
fueron (A) Mahalanobis
424 ciencia e investigación agraria

Figura 4. Resultados de los métodos de clasificación (A) Distancia de Mahalanobis, (B) mapeador de ángulo espectral, (C)
distancia mínima, (D) máxima verosimilitud, (E) paralelepípedo.

Tabla 3. Valores de la precisión general, índice kappa e índice tau.

y (B) SAM, con coeficientes kappa de 0,83 y 0,80,
Clasificadores / Índices
En general
respectivamente.
precisión Índice Kappa Índice Tau

MHD 88% 0,83 0,84 El índice tau sigue el mismo método de calidad de
SAM 86% 0,80 0,81 clasificación que el propuesto por Landis y Koch (1977), y los
MND 81% 0,74 0,74 mejores valores para este índice entre los métodos también
MLC 77% 0,68 0,69 se encontraron para (A) Mahalanobis y (B) SAM, con valores

PL 68% 0,55 0,57 de 0.84 y

0,81, respectivamente. Los peores resultados se obtuvieron utilizando
MHD: distancia de Mahalanobis, SAM: mapeador de ángulo espectral, MND: distancia
mínima, MLC: probabilidad máxima, PL: paralelepípedo. el método PL, que tenía valores del 68%.
 VOLUMEN 40 Nº2 MAYO - AGOSTO 2013 425

para precisión general, 0.55 para el índice kappa y
0,57 para el índice tau.
Las medidas de precisión del productor y precisión del usuario
(Tabla 4) son útiles para evaluar la precisión de la clasificación
para clases individuales. Por ejemplo, en la clase de soja, la
clasificación que utiliza el método de distancia Mahalanobis logró
una precisión del productor del 97,3% y una precisión del usuario
del 83,7%. Estos valores indican que el 97.3% de los píxeles de
la soja se clasificaron como soja, pero solo el 83.7% de los
píxeles en la imagen de referencia RGB-453 realmente
representaron esta clase en el campo. Este método de
clasificación perdió el 2.7% (error de omisión) de los píxeles de
soja en la imagen, y el 16.3% (error de comisión) de los píxeles
clasificados como soja en realidad pertenecían a otras clases.
La Figura 5 muestra los errores acumulativos de omisión (EO) y
comisión (EC) para todas las clases en cada método de
clasificación supervisado. Los métodos basados ​en la distancia
de MLC, SAM y Mahalanobis arrojaron los errores más bajos
para cada una de las cuatro clases, con valores de error
acumulativos por debajo del 70%. Entre estos tres métodos, el
método de distancia Mahalanobis logró los valores más bajos
para la precisión general, el índice kappa y el índice tau.
Para el índice de sensibilidad ( S) Los métodos Mahalanobis y
SAM lograron los mejores resultados, con valores de 0,88 y
0,86, respectivamente. El índice de especificidad total (E) indica
la capacidad de un método de clasificación para evitar
clasificaciones incorrectas, y los resultados para este valor
fueron 0,96 y 0,95 para los métodos Mahalanobis y SAM,
respectivamente. El coeficiente de correlación de Matthews ( CCM)
se le da un valor de 1 si dos mapas que se comparan son
idénticos, y los mapas generados por los métodos Mahalanobis
y SAM se aproximan más a la imagen de referencia, con
valores CCM de 0.84 y 0.81, respectivamente.
De los cinco métodos de clasificación examinados, solo dos
(Mahalanobis y SAM) tenían una precisión general superior al
85% para los índices kappa y tau. Estos resultados confirman los
hallazgos de South et al. ( 2004), quienes evaluaron cinco
métodos de clasificación para la identificación de la labranza
cero y los manejos tradicionales en imágenes Landsat ETM + y
descubrieron que el método del ángulo espectral era superior a
los demás. Castillejo-González et al. ( 2009) analizó la precisión
de cinco métodos de clasificación supervisados ​utilizando
imágenes multiespectrales QuickBird y concluyó que los
métodos MND, MHD y SAM fueron todos satisfactorios.

El éxito del método del ángulo espectral se debe a la capacidad de

Los valores de la matriz de confusión total generada para cada
método de clasificación se usaron para calcular el índice de
sensibilidad, el índice de especificidad total y el coeficiente de
correlación de Matthews, que se presentan en la Tabla 5.
las técnicas de mapeo para considerar los efectos del brillo y la
iluminación, ya que el método extiende los vectores de los píxeles
no clasificados y los espectros de referencia a través de todos los
niveles de brillo posibles (Sur et al. 2004). Belluco et al.

(2006), a través de observaciones de varios satélites

Tabla 4. Valores para las precisiones del productor y del usuario.

MHD SAM MND MLC PL

PA (%) UA (%) PA (%) UA (%) PA (%) UA (%) PA (%) UA (%) PENSILVANIA(%)UA (%)

Haba de soja 97,3 83,7 97,6 95,3 100,0 76,7 100,0 60,5 93,1 62,8

Maíz 78,9 100,0 62,5 100,0 53,6 100,0 93,8 100,0 61,9 86,7

Tierra 88,5 95,8 85,7 100,0 91,7 91,7 52,2 100,0 52,2 100,0

Bosque 77,8 77,8 100,0 33,3 73,3 61,1 100,0 66,7 100,0 22,2

PA: precisión del productor, UA: precisión del usuario.

426 CIUDAD E INVESTIGACIÓN AGRARIA

Figura 5. Errores acumulativos de comisión (CE) y errores de omisión (EO) para cada método de
clasificación.

Tabla 5. Métricas obtenidas de las matrices de confusión total. Los resultados demostraron que los diferentes métodos de
clasificación varían significativamente en el rendimiento para el
MHD métrico SAM MND MLC PL
mapeo del uso de la tierra y la ocupación. Por lo tanto, el estudio
S 0,88 0,86 0,81 0,77 0,68 de la precisión de estos métodos es necesario, especialmente si

mi 0,96 0,95 0,94 0,92 0,89

los resultados de los mapas temáticos se utilizarán para gestionar
las prácticas agrícolas. Las medidas derivadas de la matriz de
CCM 0,84 0,81 0,75 0,69 0,57
error son apropiadas para la comparación de mapas temáticos, ya
S: índice de sensibilidad, E: índice de ciudad especifi ca total, CCM: Coeficiente de correlación de
que proporcionan valores globales al tiempo que permiten
Matthews.

comparaciones por clase y entre métodos.

Las plataformas ligeras y aerotransportadas para la clasificación de

vegetación intermareal determinaron que cuando las muestras de

referencia no son numerosas, el uso de SAM proporciona los

resultados de clasificación más robustos y confiables debido a su

capacidad de explorar toda la información espectral disponible. Agradecimientos

Los autores desean agradecer al CNPQ y a la

Entre los métodos de clasificación supervisados ​probados en el Fundação Araucária por sus becas y apoyo financiero.
presente estudio, el mapeador de distancia y ángulo espectral
(SAM) de Mahalanobis demostró el mejor rendimiento.

Resumen

CHW Souza, E. Mercante, VHR Prudente y DDD Justina. 2013. Métodos de evaluación de rendimiento para la
clasificación supervisada de imágenes satelitales en la determinación de las clases de cobertura terrestre.
Cien Inv. Agr. 40 (2): 419-428. Imágenes satelitales junto con técnicas de sensoriamiento remoto ofrecen nuevas
oportunidades para el monitoreo y evaluación de cultivos, con menores costos y una mayor objetividad en relación
a
 VOLUMEN 40 Nº2 MAYO - AGOSTO 2013 427

los métodos tradicionales. La presente investigación identificó imágenes de satélite Landsat 5 / TM para identificar
las clases de cobertura del suelo en Cafelândia (Paraná, Brasil), un municipio predominantemente agrícola. Cinco
métodos de clasificación supervisada: Paralelepipedo (PL), Distancia mínima (MND), Distancia de Mahalanobis
(MHD), Máxima probabilidad (MLC) y Mapeador de Ángulo Espectral (SAM) fueron probados en este trabajo. Con el
fin de evaluar la eficiencia de las clasificaciones, utilice índices y métricas de precisión, a través de matrices de
errores y confusión total. Los resultados indicaron que los clasificadores de distancia de Mahalanobis y SAM
superaron a los demás, consiguiendo los mejores resultados y detectando los errores menores para las cuatro
clases estudiadas (soja, maíz, bosque, suelo desnudo), con valores de precisión global de 88 y 86%,
respectivamente, y valores de índice de Kappa de 0,83 y 0,80, respectivamente. Para las métricas aplicadas, los
valores fueron

0,88 y 0,86 para el índice de sensibilidad, 0,96 y 0,95 para el índice de especificidad y de 0,84 y 0,81 para el coeficiente
de correlación de Matthews, respectivamente. La elección de los diferentes tipos de clasificadores claramente
resultantes en grandes variaciones en el rendimiento del mapeamiento de la cobertura y el uso de la tierra. El uso de las
medidas obtenidas a partir de la matriz de errores es un método adecuado para hacer comparaciones entre mapas
temáticos.

Palabras clave: Clasificadores, índices de precisión, paisaje agrícola, sensoriamento remoto.

Referencias Cohen, JA 1960. Coeficiente de acuerdo para nom-

escalas inal. Medida educativa y psicológica 20: 37-46.
Bakr, N., DC Weindorf, MH Bahnassy, ​SM Ma-
rei y MM El-Badawi. 2010. Monitoreo de los cambios en la cubierta Congalton, RG 1991. Una revisión de la evaluación del ac-

terrestre en un área recientemente recuperada de Egipto utilizando curacy de clasificaciones de datos detectados a distancia.

datos de Landsat multitemporales. Geografía Aplicada 30: 592-605. Teledetección del medio ambiente 37: 35−46. Cruz, ES 2008.

Comparação de clasificadores de

Belluco, E., M. Camuffo, S. Ferrari, L. Modenese, S.
Silvestri, A. Marani y M. Marani. 2006. Mapeo de vegetación
de marismas por teledetección multiespectral e
hiperespectral. Teledetección del medio ambiente 105:
54-67.
Brian, WS, Qi Chen y B. Michael. 2011. A
comparación de técnicas de clasificación para apoyar la cobertura de
la tierra y el análisis del uso de la tierra en zonas costeras tropicales.
Geografía Aplicada 31: 525-532. Castillejo-González, IL, F.
López-Granados, A. Gar-
cía-Ferrer, JM Peña-Barragán, M. Jurado-Expósito, MS
Orden y M. González-Audicana.
imágenes digitales en la determinación de la cobertura del
solo. Engenharia Agrícola 28: 237-244. Dalposso, GH, MA
Uribe-Opazo, E. Mercante,
JA Johann y JA Borssoi. 2012. Medidas de comparación de
mapas generados por métodos geoestadísticos. Engenharia
Agrícola 32: 174-183. EMBRAPA 2006. Sistema brasileiro de
classifi-
cação de solo. Empresa Brasileira de Pesquisa
Agropecuária (EMBRAPA). 2 edição. Río de Janeiro,
Brasil. 306 págs. Fielding, AH y JF Bell. 1997. Una revisión
de
métodos para la evaluación de errores de predicción en modelos de

2009. Objeto y análisis basado en píxeles para mapear presencia / ausencia de conservación. Conservación ambiental 24:

cultivos y sus medidas agroambientales asociadas utilizando 38-49. Foody, GM 2002. Estado de la clasificación de la cobertura del

imágenes de QuickBird. Computadoras y electrónica en suelo.

agricultura 68: 207-215. Chander, G., BL Markham y DL evaluación de precisión. Teledetección del medio ambiente 80:

Helder. 2009 185–201.

Resumen de los coeficientes de calibración radiométrica GLCF 2012. Fondo mundial para la cobertura del suelo. Salir-

actuales para los sensores Landsat MSS, TM, ETM + y EO-1 ment de Geografía. Universidad de Maryland. Disponible en

ALI. Teledetección del medio ambiente 113: 893-903. línea en: http://glcf.umd.edu/data/. (Acceso a la web: enero de

2012).
428 CIUDAD E INVESTIGACIÓN AGRARIA
Hubert-Moy, L., A. Cotonnec, L. Le Du, A. Chardin,
y P. Perez. 2001. Una comparación de los procedimientos de
clasificación paramétrica de datos de detección remota aplicados
en diferentes unidades de paisaje. Teledetección del medio
ambiente 75: 174-187. IAPAR 2000. Cartas climáticas básicas do
Estado
do Paraná Instituto Agronômico do Paraná (IAPAR).
Londrina, Brasil. Disponible en línea en: www.iapar.br (sitio
web visitado: enero de 2012). Janssen, LLF y JM Van Der
Wel. 1994. Ac-
evaluación de la conservación de datos de cobertura terrestre
derivados de satélites: una revisión. Ingeniería fotogramétrica y
teledetección 60: 419-426.
Jenness, J. y JJ Wynne. 2005. Cohen's Kappa y
métricas de tabla de clasificación 2.0: una extensión ArcView 3x para la
evaluación de precisión de modelos espacialmente explícitos. Servicio
Geológico de los Estados Unidos, Centro de Ciencias Biológicas del
Suroeste, Flagstaff, AZ. 86 págs. Landis, JR y GG Koch. 1977. La
medida
acuerdo del observador para datos categóricos. Biometrics
33: 159-174.
Lu, D., P. Mausel, E. Brondízio y E. Moran. 2004
Técnicas de detección de cambios. Revista Internacional
de Teledetección 25: 2365-2407. Luiz, AJB, JC Oliveira,
JCN Epiphanio y
AR Formaggio. 2002. Auxilio das imágenes de satélite aos
levantamientos por amostragem em agricultura. Agricultura
en São Paulo 49: 41-54.
Lurz, PWW, SP Rushton, LA Wauters, S. Ber-
tolino, I. Currado, P. Mazzoglio y MDF Shirley. 2001. Predicción
de la expansión de la ardilla gris en el norte de Italia: un enfoque
de modelado espacialmente explícito. Landscape Ecology 16:
407-420. Ma, Z. y RL Redmond. 1995. Coeficientes de Tau
para la evaluación de precisión de la clasificación de
datos de teledetección. Ingeniería fotográfica y
teledetección 61: 435-439. Pal, M. y PM Mather. 2004.
Evaluación de la
efectividad de las máquinas de vectores de soporte para datos
hiperespectrales. Future Generation Computer Systems 20:
1215-1225.
Richards, JA y X. Jia. 1999. Teledetección
Análisis de imágenes digitales: una introducción. 3 Edição. Nueva
York: Springer Verlag. 363pp. Sur, S., J. Qi y DP Lusch. 2004.
Clasificación óptima
métodos de clasificación para mapear las prácticas de labranza
agrícola. Teledetección del medio ambiente 91: 90-97.
Williams, DL, S. Goward y T. Arvidson. 2006
Landsat: ayer, hoy y mañana. Ingeniería fotogramétrica
y teledetección 72: 1171–1178.
Yang, C., JH Everitt y D. Murden. 2011. Evaluación
Imágenes de satélite SPOT 5 de alta resolución para la
identificación de cultivos. Computadoras y electrónica en
agricultura 75: 347-354.