SOLORZANO, Jonathan V.; MAS, Jean François; GAO, Yan    GALLARDO-CRUZ, J. Alberto. Evaluación del uso de imágenes radar y multiespectrales con técnicas de aprendizaje profundo para monitorear la deforestación y la degradación forestal en bosques tropicales. Rev. cartogr. []. 2025, 111, pp.79-101.   11--2025. ISSN 2663-3981.  https://doi.org/10.35424/rcarto.i111.5891.

La deforestación y la degradación forestal son dos procesos que contribuyen al cambio global mediante la emisión de gases de efecto invernadero, la pérdida de biodiversidad y la reducción en la calidad de algunos servicios ecosistémicos. Gracias a su capacidad de estudiar grandes superficies y contar con un registro histórico, la percepción remota ha demostrado ser una herramienta esencial para cuantificar estos procesos. Además, el desarrollo de nuevos métodos de análisis como los algoritmos de aprendizaje profundo e imágenes de mayor resolución espectral, espacial y temporal gratuitas abren la posibilidad de desarrollar métodos que permitan mejorar las capacidades actuales de monitoreo. En este contexto, el presente trabajo evaluó el desempeño de los algoritmos de aprendizaje profundo con imágenes multiespectrales y de radar de apertura sintética para clasificar distintos tipos de coberturas del suelo, detectar la deforestación y la degradación forestal. Los resultados muestran que los algoritmos de aprendizaje profundo, en general, permiten obtener mejores resultados que su contraparte de aprendizaje automatizado, debido a la incorporación de patrones en las dimensiones espaciales y temporales. Sin embargo, dicho desempeño está condicionado al tamaño de muestra y la fuerza de la relación entre la señal remota y la clase o característica a evaluar. Por otro lado, la combinación de la información multiespectral y radar de apertura sintética, en general, fue beneficiosa, aunque en algunos casos no brindó nueva información útil, en comparación con la que ya brindan las imágenes multiespectrales. Los resultados apuntan a que este tipo de técnicas permiten obtener resultados más precisos para identificar estos procesos, por lo cual, representan una herramienta atractiva para el desarrollo de futuras herramientas encaminadas al monitoreo de estos procesos.

: Clasificación de tipos de vegetación y usos del suelo; U-Net; Sentinel-1; Sentinel-2; biomasa.

        ·     ·     · ( pdf )