Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 3, 2026, julio-septiembre, Edición Especial
DOI: https://doi.org/10.71112/937g3506
ANÁLISIS MULTITEMPORAL DE PÉRDIDA DE VEGETACIÓN MEDIANTE
TÉCNICAS DE INTELIGENCIA ARTIFICIAL EN LA RESERVA DE BIOSFERA
APANECA-ILAMATEPEC, SECTOR SAN JOSÉ LA MAJADA, EL SALVADOR
MULTITEMPORAL ANALYSIS OF VEGETATION LOSS USING ARTIFICIAL
INTELLIGENCE TECHNIQUES IN THE APANECA-ILAMATEPEC BIOSPHERE
RESERVE, SAN JOSÉ LA MAJADA SECTOR, EL SALVADOR
Rodrigo Alejandro Centeno Flores
El Salvador
DOI: https://doi.org/10.71112/937g3506
200 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Análisis multitemporal de pérdida de vegetación mediante técnicas de
inteligencia artificial en la reserva de biosfera apaneca-Ilamatepec, sector San
José La Majada, El Salvador
Multitemporal analysis of vegetation loss using artificial intelligence techniques
in the apaneca-Ilamatepec biosphere reserve, San José La Majada sector, El
Salvador
Rodrigo Alejandro Centeno Flores
a,*
rodrigo.centeno@usonsonate.edu.sv
https://orcid.org/0009-0009-2985-9453
*
Autor de correspondencia: rodrigo.centeno@usonsonate.edu.sv,
a
Universidad de Sonsonate,
El Salvador
RESUMEN
La investigación analiza la pérdida de cobertura vegetal en el sector San José La Majada,
dentro de la Reserva de Biosfera Apaneca-Ilamatepec, mediante el uso de imágenes satelitales
obtenidas del satélite Sentinel-2. Para el estudio se aplicaron técnicas de visión artificial como
métodos de segmentación a imágenes RGB, NDVI y NDWI para detectar áreas sin vegetación
y evaluar su evolución entre los años de 2017 y 2024. Los resultados evidencian un aumento
progresivo del área sin vegetación, de 5.20 a 7.63 kilómetros cuadrados, destacando la eficacia
de la combinación de índices espectrales y análisis de segmentación por color. Mediante
predicción con regresión logística se proyecta una continuidad en la pérdida de vegetación para
DOI: https://doi.org/10.71112/937g3506
201 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
los próximos cinco años, resaltando la urgencia de implementar estrategias de conservación
ambiental en la región.
Palabras clave: inteligencia artificia; multiespectral; Sentinel-2; vegetación; visión artificial.
ABSTRACT
The research analyzes the loss of vegetation cover in the San José La Majada sector, within the
Apaneca-Ilamatepec Biosphere Reserve, using satellite images obtained from the Sentinel-2
satellite. For the study, computer vision techniques such as segmentation methods were applied
to RGB, NDVI, and NDWI images to detect areas without vegetation and evaluate their
evolution between 2017 and 2024. The results show a progressive increase in the area without
vegetation, from 5.20 to 7.63 square kilometers, highlighting the effectiveness of the
combination of spectral indices and color segmentation analysis. Using logistic regression
prediction, a continuation of vegetation loss is projected for the next five years, highlighting the
urgency of implementing environmental conservation strategies in the region.
Keywords: artificial intelligent; computer vision, multispectral; sentinel-2; vegetation.
Recibido: 17 febrero 2026 | Aceptado: 19 julio 2026 | Publicado: 20 julio 2026
INTRODUCCIÓN
La deforestación es uno de los principales factores que contribuyen al cambio climático
y la pérdida de biodiversidad a nivel global. La Organización de las Naciones Unidas para la
Alimentación y la Agricultura señala que entre 2015 y 2020 se perdieron aproximadamente 10
millones de hectáreas al año por transformación de cobertura forestal a otros usos del suelo.
DOI: https://doi.org/10.71112/937g3506
202 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Estas acciones no solo afectan la capacidad de los ecosistemas para absorber dióxido de
carbono, sino también a la regulación del ciclo hídrico y la conservación del suelo.
El Salvador, a pesar de su pequeña extensión territorial, cuenta con una gran diversidad
de ecosistemas y recursos naturales. La Reserva de Biosfera Apaneca-Ilamatepec, reconocida
por la UNESCO, constituye uno de los sistemas ecológicos más importantes del país debido a
su biodiversidad, su función como corredor biológico y su papel en la regulación climática. Sin
embargo, el avance de la frontera agrícola, la tala selectiva y las prácticas inadecuadas de
manejo del suelo en El Salvador, amenazan la estabilidad ambiental y la sostenibilidad de las
comunidades locales (Maza-Villalobos et al., 2023).
Ante esta situación, surge la necesidad de contar con herramientas tecnológicas que
permitan detectar, cuantificar y analizar los cambios en la cobertura forestal de manera precisa
y oportuna. En los últimos años, la disponibilidad de imágenes satelitales de libre acceso, como
las proporcionadas por el programa Copernicus (Sentinel), junto con el desarrollo de algoritmos
de inteligencia artificial y visión por computador, ha abierto nuevas posibilidades para el estudio
automatizado de los cambios de cobertura vegetal (Cheng et al., 2023). Estos avances se
suman a una línea de investigación consolidada sobre el análisis y modelación de los procesos
de deforestación a escala de cuencas, donde la combinación de teledetección y modelos
espaciales ha permitido caracterizar tasas, patrones y factores asociados al cambio de
cobertura (Mas Caussel et al., 2015). De manera análoga, el aprendizaje automático ha
demostrado su utilidad en otros ámbitos vinculados al manejo del territorio y los recursos
naturales, como la agricultura de precisión, donde apoya la toma de decisiones a partir del
análisis de variables ambientales (Alejandro, 2020).
DOI: https://doi.org/10.71112/937g3506
203 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
La presente investigación tiene como finalidad analizar la dinámica de la pérdida de
vegetación en el sector de San José La Majada, perteneciente a la Reserva de Biosfera
Apaneca-Ilamatepec, mediante técnicas de inteligencia artificial aplicadas a imágenes
satelitales. A través del procesamiento digital, la clasificación de coberturas y la comparación
temporal de distintos periodos, se busca establecer la evolución de las áreas afectadas,
identificar los principales focos de cambio y generar información científica que contribuya a la
gestión sostenible del territorio. De esta forma, el estudio pretende aportar una base
metodológica que combine la teledetección y la inteligencia artificial como herramientas de
apoyo para la toma de decisiones en conservación ambiental y ordenamiento territorial.
Marco teórico
La teledetección consiste en el registro de la radiación electromagnética reflejada o
emitida por la superficie terrestre a través de sensores remotos, permitiendo observar
fenómenos espaciales y temporales en escalas regionales y también global. Las imágenes
satelitales capturan diferentes longitudes de onda, y mediante combinaciones de bandas es
posible resaltar diferentes atributos del terreno, como vegetación, humedad, suelos, cuerpos de
agua, estructuras urbanas, entre otros. Esta capacidad de observación complementa los
estudios florísticos y de caracterización del estado de la vegetación a escala regional, que
tradicionalmente se han apoyado en inventarios y trabajo de campo (Siqueiros-Delgado et al.,
2016).
En el ámbito de la vegetación, el Índice de Vegetación de Diferencia Normalizada
(NDVI) se ha consolidado como un indicador robusto de vigor y cobertura vegetal, aunque su
uso requiere considerar factores como la saturación en coberturas densas, la influencia del
suelo y los efectos atmosféricos (Huang et al., 2020). Los análisis multitemporales sobre series
DOI: https://doi.org/10.71112/937g3506
204 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
de NDVI permiten detectar cambios de áreas de vegetación asociadas a perturbaciones o
transiciones de uso del suelo (Forkel et al., 2013), enfoque ampliamente aplicado en estudios
regionales de cambio de cobertura vegetal y uso del suelo (Paula et al., 2018; Sandoval-García
et al., 2021; Paredes-Arcos et al., 2024). De forma complementaria, se han desarrollado
técnicas de reconstrucción de series temporales de NDVI orientadas a reducir los vacíos y el
ruido derivados de la nubosidad o de la disponibilidad de imágenes, mejorando la consistencia
del monitoreo multitemporal de la estructura de la vegetación (Liu et al., 2024).
Para el análisis de agua superficial y humedad, el Índice de Diferencia Normalizada de
Agua (NDWI) y sus variantes son estándares comunes (Miura et al., 2025); estudios
comparativos recientes muestran que la elección del índice y el método de umbralización
condicionan fuertemente la exactitud de la extracción, especialmente en contextos con fondos
espectralmente complejos (Liu et al., 2023). Avances recientes como el ANDWI integran
bandas RGB, NIR y SWIR y combinan umbrales dinámicos mediante Otsu para mejorar la
discriminación agua/no-agua (Rad et al., 2021). Asimismo, enfoques auto-adaptativos de
umbralización sobre SAR o multiespectral han demostrado mejoras en escenarios con
variaciones espaciales y ruido (Tan et al., 2023).
El acceso a imágenes satélites se puede realizar mediante varios sitios que dan acceso
a datos espaciales. Copernicus es un programa de observación terrestre de la Unión Europea
que brinda datos abiertos y servicios derivados para apoyar políticas ambientales, cambio
climático, riesgos naturales, entre otros. La misión Sentinel-2 contempla una constelación de
satélites ópticos, que cubren la superficie terrestre con una repetición temporal de
aproximadamente 5 días y una cobertura global, características que han favorecido su
DOI: https://doi.org/10.71112/937g3506
205 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
aplicación en el monitoreo del cambio de uso y cobertura del suelo y en la evaluación de la
dinámica del NDVI (Tempa et al., 2024).
El instrumento a bordo de los satélites Sentinel-2 es el MultiSpectral Instrument, un
instrumento que captura 13 bandas espectrales entre el visible, el infrarrojo cercano NIR y
SWIR con resoluciones de 10, 20 y 60 m, adecuadas para monitoreo de uso/cobertura y
derivación de índices espectrales. Adicionalmente, el uso de imágenes NIR-GB procedentes de
UAS permite complementar análisis a escala local con alta resolución espacial (Hunt et al.,
2010). En paralelo, otras estrategias buscan enriquecer la información espectral combinando
datos de distintos sensores; al respecto, los enfoques de fusión hiperespectral y multiespectral
han mostrado mejoras en la caracterización de la superficie terrestre cuando la resolución
espectral o espacial de un único sensor resulta insuficiente (Xiao Xiang Zhu et al., 2017).
La clasificación y el cambio de cobertura han avanzado notablemente con arquitecturas
de aprendizaje profundo aplicadas a imágenes multitemporales y métodos de detección de
cambio apoyados en análisis temporales de NDVI dentro de Google Earth Engine (Hu et al.,
2018). Trabajos previos sentaron la base de estos enfoques al proponer esquemas de
detección continua de cambio y clasificación de cobertura del suelo a partir de series completas
de imágenes Landsat (Zhu & Woodcock, 2014), y se han aplicado también en estudios
regionales para clasificar el uso del suelo y la vegetación en zonas afectadas por la pérdida de
cobertura arbórea (Peralta-Carreta et al., 2019). Junto a los modelos de aprendizaje profundo,
otros algoritmos clásicos de aprendizaje automático como Random Forest siguen siendo
ampliamente utilizados en la clasificación de cobertura del suelo, por su robustez frente al ruido
y su capacidad para manejar variables heterogéneas (Biau & Scornet, 2016; Rigatti, 2017).
DOI: https://doi.org/10.71112/937g3506
206 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Para segmentación basada en color, el espacio HSV resulta útil al separar tonalidad (H),
saturación (S) y valor (V), facilitando la identificación de suelos expuestos o vegetación
degradada al ajustar rangos de tono y saturación. La literatura reporta aplicaciones de HSV en
imágenes satelitales para resaltar regiones de interés y comparar su desempeño frente a RGB
en tareas de segmentación (Ganesan et al., 2014b); otros trabajos han evaluado además la
calidad de la segmentación en RGB y HSV mediante métricas de calidad de imagen (Ganesan
& Rajini, 2014a) y comparado el desempeño de HSV con otros espacios de color como L*a*b*
en segmentación cromática (Bora et al., 2015). En contextos vegetales, técnicas de post-
segmentación sobre imágenes RGB-D también se han aplicado a la clasificación de
enfermedades foliares en cultivos, lo que evidencia el potencial del color como descriptor en
escenarios donde la vegetación es el objeto de análisis (Nan et al., 2023). Como consideración
práctica, la presencia de sombras puede degradar el contraste y producir falsos positivos;
estrategias de detección y compensación de sombras ayudan a mitigar estos efectos (Ma et al.,
2008).
METODOLOGÍA
La presente investigación adopta un enfoque mixto, integrando componentes
cualitativos y cuantitativos. En primer lugar, el enfoque cualitativo se refleja en la interpretación
visual y contextual de las imágenes satelitales obtenidas, donde se analizan los patrones de
índices que evidencian cambios en la cobertura vegetal. Mediante la segmentación de
imágenes en espacios de color (HSV) y la comparación multitemporal, se identifican
visualmente las zonas con indicios de deforestación o degradación. Posteriormente, el enfoque
DOI: https://doi.org/10.71112/937g3506
207 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
cuantitativo permite medir y comparar la magnitud del cambio, expresada en kilómetros
cuadrados de área afectada y en variaciones de índices espectrales como NDVI y NDWI.
Para llevar a cabo el análisis de la cobertura vegetal, se utilizó un conjunto de 8
imágenes satelitales en formatos RGB, NDVI y NDWI como se muestran en la Figura 1,
obtenidas del portal Copernicus Browser, correspondientes a los años 2017 al 2024. Estas
imágenes presentan la evolución temporal de la cobertura forestal, lo cual permite realizar un
seguimiento visual y cuantitativo del fenómeno de la pérdida de vegetación,
Figura 1
Imágenes por analizar del sector de San José la Majada en 2017.
Se implementa el uso de 3 tipos de imágenes para obtener comparaciones de valores
recopilados de áreas sin vegetación beneficiosa para el ambiente. Para el análisis se utilizan
técnicas de segmentación por umbrales manuales y técnica Otsu basada en NDVI y NDWI que
se convierten en escala de grises y para imágenes RGB se realiza transformación a formato
HSV para extraer zonas mediante escalas de colores.
Segmentación por umbral en escala de grises
Para obtener una segmentación inicial de las imágenes en escala de grises, se aplica el
método de Otsu, que permite determinar de forma automática un umbral óptimo de
DOI: https://doi.org/10.71112/937g3506
208 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
segmentación mediante la minimización de la varianza (Goh et al., 2018; Yang et al., 2020). En
la Figura 2 se muestra la aplicación de esta técnica permitiendo separar las zonas claras que
hacen referencia a posibles áreas deforestadas y de las áreas oscuras que son vegetación
densa.
Figura 2
Segmentación de área sin vegetación relevante en imagen NDVI en 2017.
Aunque no es común el uso de imágenes NDWI para análisis de vegetación, al observar
los diferentes formatos este formato proporciona información relevante que pueda ser de
utilidad para el estudio.
DOI: https://doi.org/10.71112/937g3506
209 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Figura 3
Segmentación de área sin vegetación relevante en imagen NDWI en 2017
Segmentación basada en color
Dado que la perdida de vegetación modifica significativamente la cromaticidad de las
imágenes, pasando de tonos verdes a marrones o rojizos, se empleó segmentación en
espacios de color mediante la escala HSV. La segmentación por color da la capacidad de
seleccionar objetos no deseados que pueden crearse mediante diversa cantidad de máscaras.
Algunas imágenes satélites muestran nubosidad que podría introducirse en la segmentación y
dar valores no deseados, pero con esta técnica se mitigan los ruidos y anomalías de las
imágenes como se muestra en la Figura 4.
DOI: https://doi.org/10.71112/937g3506
210 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Figura 4
Segmentación de área sin vegetación relevante en imagen RGB en 2017.
Mejora de mascaras
Para la mejora de las segmentaciones se aplica un operador de cierre para realizar una
dilatación seguida de erosión con el fin de unificar regiones que están casi conectadas y
rellenar espacios, esto debido a que en algunas zonas la segmentación puede no realizarse al
no cumplir con el umbral establecido. Además, se realiza una comparación de pixeles para
combinar los diferentes resultados de cada imagen para tener una máscara con todas las
zonas detectas con baja vegetación como se muestra en la Figura 5.
DOI: https://doi.org/10.71112/937g3506
211 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Figura 5
Combinación de resultados para mascara final en 2017.
RESULTADOS Y DISCUSIÓN
Para el cálculo de área de deforestación se realiza un conteo de pixeles, ya que las
máscaras realizadas tanto para imágenes en escala de grises y color devuelven una matriz con
pixeles blancos y negros, siendo los pixeles blancos las zonas sin vegetación o vegetación no
relevante, se realizará la cuenta de cada píxel y se convertirá a kilómetros cuadrados. La
imagen capturada es de un área de 22.87 kilómetros cuadrados o 22,870,000 metros
cuadrados con una resolución de 3 metros por píxel o 9 metros cuadrados por píxel, por lo que
al realizar la cuenta de pixeles de cada imagen se multiplicara por una constante de 9, que
equivale a la extensión en metros de un píxel.
Los análisis de las imágenes NDVI y NDWI se realizaron por el método de umbral
manual y también por otsu, ya que los rangos de valores ya están establecidos para el análisis
de estos tipos de imágenes se generaron los datos mostrados en la tabla 1, donde los
resultados dados por umbral manual muestran un valor mayor de área que los representados
por otsu.
DOI: https://doi.org/10.71112/937g3506
212 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Tabla 1.
Determinación de áreas de segmentación de imágenes NDVI y NDWI
Año
NDWI
NDVI
Manual (km²)
Otsu (km²)
Manual (km²)
Otsu (km²)
2017
3.27
2.38
2.95
1.72
2018
3.16
2.45
2.53
1.66
2019
4.27
2.57
2.95
1.89
2020
2.78
2.4
2.67
1.65
2021
3.66
2.57
2.88
1.76
2022
4.58
2.76
3.5
1.91
2023
3.14
2.59
3.03
1.75
2024
3.15
2.92
3.84
2.13
Los resultados de la segmentación de las imágenes en escalada de grises y color dan
resultados ligeramente diferentes por los tipos de imágenes utilizadas, por lo que se realiza un
análisis para cada técnica y también con el área final combinada como se muestra en la Tabla
2, en la cual se comparan los datos de la segmentación HSV con respecto a la segmentación
manual de NDVI y NDWI ya que se mira una mayor cercanía que en comparación con la
segmentación por otsu.
Tabla 2.
Determinación de áreas de deforestación por técnicas.
Año
Área HSV
(km²)
Área NDVI
(km²)
Área NDWI
(km²)
Área combinada
(km²)
2017
3.81
2.95
3.27
5.2
2018
4.25
2.53
3.16
5.26
2019
4.74
2.95
4.27
5.35
2020
5.32
2.67
2.78
6.23
DOI: https://doi.org/10.71112/937g3506
213 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
2021
5.74
2.88
3.66
6.45
2022
5.85
3.5
4.58
6.65
2023
5.79
3.03
3.14
6.54
2024
6.57
3.84
3.15
7.63
Los datos muestran una tendencia creciente del área sin cobertura vegetal a lo largo de
los años en cada tipo de técnica e imagen, aunque se resalta que los análisis con los índices
NDVI y NDWI reflejan una menor cantidad de área detectada, esto puede ser por diferentes
factores como desalineación entre bandas, ruido radiométrico o falta de corrección atmosférica
afectan la fiabilidad de las imágenes proporcionadas por el repositorio. En comparación con las
imágenes RGB que se tiene un control más preciso comparando la máscara con la fotografía
original para determinar si se han seleccionado las áreas efectivas o si se necesitan ampliar los
rangos. El resultado del área combinada muestra que en la mayoría de los casos que la imagen
de color no selecciono toda la realidad y agregando las selecciones de las otras mascaras se
converge a un resultado más apropiado como se muestra en la Figura 6.
Figura 6
Gráfica de evolución anual de área deforestada separada por técnica.
DOI: https://doi.org/10.71112/937g3506
214 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Con el propósito de estimar la tendencia futura de la pérdida de cobertura vegetal, se
realizó una predicción basada en un modelo de regresión logística utilizando los datos del área
de deforestación combinada obtenidos entre los años 2017 y 2024. Este enfoque permitió
analizar el comportamiento histórico de la deforestación y proyectar su posible evolución en los
próximos cinco años 2025-2030 (Leonardo, 2021). La regresión logística se seleccionó por su
capacidad para modelar procesos con crecimiento progresivo, ajustándose al patrón observado
en la serie de área combinada como muestra la Figura 7.
Figura 7
Gráfica de evolución anual de área deforestada separada por técnica.
Los resultados sugieren una continuidad en la tendencia ascendente de la pérdida de
vegetación, lo que evidencia la urgencia de implementar medidas de conservación y monitoreo
ambiental más efectivas para mitigar el avance de la deforestación en la región estudiada.
CONCLUSIONES
Entre 2017 y 2024 se observa un crecimiento sostenido en todas las métricas
analizadas. El área combinada, que integra los resultados de los métodos HSV, NDVI y NDWI,
DOI: https://doi.org/10.71112/937g3506
215 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
evidencia que hubo un aumento de 5.60 km² en 2017 a 7.63 km² en 2024, lo que indica una
tendencia preocupante de pérdida de cobertura vegetal.
Los índices NDVI y NDWI presentan fluctuaciones notables a lo largo de los años.
Mientras el NDVI refleja la pérdida directa de vigor vegetal, el NDWI permite detectar zonas con
alteraciones en la humedad del suelo y presencia de cuerpos de agua. En conjunto, ambos
índices complementan la interpretación al revelar diferentes aspectos del proceso de
deforestación. El método basado en el espacio de color HSV muestra valores consistentemente
superiores a los obtenidos por NDVI y NDWI, alcanzando 6.57 km² en 2024. Esto sugiere que
la segmentación por color logra identificar zonas degradadas o de cambio de uso del suelo con
mayor amplitud visual, especialmente en áreas donde la vegetación ha sido sustituida por
suelos desnudos o cultivos recientes.
La comparación entre los métodos evidencia que ningún enfoque por sí solo
proporciona una visión completa del fenómeno. La combinación de máscaras HSV, NDVI y
NDWI genera un análisis más robusto, mitigando los errores individuales y ofreciendo una
estimación más confiable del impacto ambiental.
El análisis multitemporal demuestra que la deforestación en la zona estudiada ha
seguido una trayectoria ascendente durante los últimos ocho años, consolidándose como un
proceso continuo. La integración de técnicas de visión artificial y teledetección constituye una
herramienta eficaz para la vigilancia ecológica, facilitando la toma de decisiones orientadas a la
conservación de ecosistemas y la gestión sostenible del territorio.
Declaración de conflicto de interés
El autor declara no tener ningún conflicto de interés relacionado con esta investigación.
DOI: https://doi.org/10.71112/937g3506
216 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Declaración de contribución a la autoría
Rodrigo Alejandro Centeno Flores: metodología, conceptualización, redacción del
borrador original, revisión y edición de la redacción.
Declaración de uso de inteligencia artificial
Los autores declaran que utilizaron la inteligencia artificial como apoyo para este
artículo, y también que esta herramienta no sustituye de ninguna manera la tarea o proceso
intelectual. Después de rigurosas revisiones con diferentes herramientas en la que se
comprobó que no existe plagio como constan en las evidencias, los autores manifiestan y
reconocen que este trabajo fue producto de un trabajo intelectual propio, que no ha sido escrito
ni publicado en ninguna plataforma electrónica o de IA.
REFERENCIAS
Alejandro, C. (2020). Aplicación del Machine Learning en agricultura de precisión. Revista
CINTEX, 25(2), 14–27. https://doi.org/10.33131/24222208.356
Biau, G., & Scornet, E. (2016). A Random Forest Guided Tour. TEST, 25(2), 197–227.
https://doi.org/10.1007/s11749-016-0481-7
Bora, D. J., Gupta, A. K., & Khan, F. A. (2015). Comparing the Performance of L*A*B* and HSV
Color Spaces with Respect to Color Image Segmentation. ArXiv (Cornell University),
5(2). https://doi.org/10.48550/arxiv.1506.01472
Candelario Peralta-Carreta, J. Alberto Gallardo-Cruz, Solórzano, J. V., & Matías Hernandez-
Gómez. (2019). Clasificación del uso de suelo y vegetación en áreas de pérdida de
cobertura arbórea (2000–2016) en la cuenca del río Usumacinta. Madera Y Bosques,
25(3). https://doi.org/10.21829/myb.2019.2531779
DOI: https://doi.org/10.71112/937g3506
217 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Cheng, X., Sun, Y., Zhang, W., Wang, Y., Xiao, C., & Wang, Y. (2023). Application of Deep
Learning in Multitemporal Remote Sensing Image Classification. Remote Sensing,
15(15), 3859–3859. https://doi.org/10.3390/rs15153859
Forkel, M., Carvalhais, N., Verbesselt, J., Mahecha, M., Neigh, C., & Reichstein, M. (2013).
Trend Change Detection in NDVI Time Series: Effects of Inter-Annual Variability and
Methodology. Remote Sensing, 5(5), 2113–2144. https://doi.org/10.3390/rs5052113
Ganesan, P., Rajini, V., Sathish, B. S., & Shaik, K. B. (2014b). HSV color space based
segmentation of region of interest in satellite images. 2014 International Conference on
Control, Instrumentation, Communication and Computational Technologies (ICCICCT),
101–105. https://doi.org/10.1109/iccicct.2014.6992938
Ganesan, P., & V. Rajini. (2014a). Assessment of satellite image segmentation in RGB and
HSV color space using image quality measures. 2014 International Conference on
Advances in Electrical Engineering (ICAEE). https://doi.org/10.1109/icaee.2014.6838441
Goh, T. Y., Basah, S. N., Yazid, H., Aziz Safar, M. J., & Ahmad Saad, F. S. (2018).
Performance analysis of image thresholding: Otsu technique. Measurement, 114, 298–
307. https://doi.org/10.1016/j.measurement.2017.09.052
Hu, Y., Dong, Y., & Batunacun. (2018). An automatic approach for land-change detection and
land updates based on integrated NDVI timing analysis and the CVAPS method with
GEE support. ISPRS Journal of Photogrammetry and Remote Sensing, 146, 347–359.
https://doi.org/10.1016/j.isprsjprs.2018.10.008
Huang, S., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2020). A commentary review on the use
of normalized difference vegetation index (NDVI) in the era of popular remote sensing.
Journal of Forestry Research, 32(1), 1–6. https://doi.org/10.1007/s11676-020-01155-1
DOI: https://doi.org/10.71112/937g3506
218 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Hunt, E. R., Hively, W. D., Fujikawa, S., Linden, D., Daughtry, C. S., & McCarty, G. (2010).
Acquisition of NIR-Green-Blue Digital Photographs from Unmanned Aircraft for Crop
Monitoring. Remote Sensing, 2(1), 290–305. https://doi.org/10.3390/rs2010290
Leonardo, D. (2021). Análisis multitemporal y predictivo del cambio de uso del suelo y pérdida
de cobertura vegetal. Revista Científica UNTRM Ciencias Naturales E Ingeniería, 2(3),
81–81. https://doi.org/10.25127/ucni.v2i3.607
Liu, S., Wu, Y., Zhang, G., Lin, N., & Liu, Z. (2023). Comparing Water Indices for Landsat Data
for Automated Surface Water Body Extraction under Complex Ground Background: A
Case Study in Jilin Province. Remote Sensing, 15(6), 1678–1678.
https://doi.org/10.3390/rs15061678
Liu, Z., He, D., Shi, Q., & Cheng, X. (2024). NDVI time-series data reconstruction for spatial-
temporal dynamic monitoring of Arctic vegetation structure. Geo-Spatial Information
Science, 28(2), 402–420. https://doi.org/10.1080/10095020.2024.2336602
Ma, H., Qin, Q., & Shen, X. (2008). Shadow Segmentation and Compensation in High
Resolution Satellite Images. IEEE International Geoscience and Remote Sensing
Symposium. https://doi.org/10.1109/igarss.2008.4779175
Mas Caussel, J. F., Osorio, L. P., Guerra, F., & Maass, M. (2015). Análisis y modelación de los
procesos de deforestación: un caso de estudio en la cuenca del río Coyuquilla,
Guerrero, México. Investigaciones Geográficas, 88. https://doi.org/10.14350/rig.43853
Maza-Villalobos, S., Sosa, E. A., Deysi, A., Infante, F., & Castillo-Santiago, M. Á. (2023).
Dinámica del uso de suelo y vegetación en paisajes altamente modificados por
actividades agropecuarias en el sur de México. Botanical Sciences, 101(2), 374–386.
https://doi.org/10.17129/botsci.3148
DOI: https://doi.org/10.71112/937g3506
219 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Miura, Y., Shamsudduha, M., Anawat Suppasri, & Sano, D. (2025). A Global Multi-Sensor
Dataset of Surface Water Indices from Landsat-8 and Sentinel-2 Satellite
Measurements. Scientific Data, 12(1). https://doi.org/10.1038/s41597-025-05562-z
Nan, F., Song, Y., Yu, X., Nie, C., Liu, Y., Bai, Y., Zou, D., Wang, C., Yin, D., Yang, W., & Jin, X.
(2023). A novel method for maize leaf disease classification using the RGB-D post-
segmentation image data. Frontiers in Plant Science, 14.
https://doi.org/10.3389/fpls.2023.1268015
Pamela Andrea Paula, Zambrano, L., & Paula, P. (2018). Análisis Multitemporal de los cambios
de la vegetación, en la Reserva de Producción de Fauna Chimborazo como
consecuencia del cambio climático. Enfoqute, 9(2), 125–137.
https://doi.org/10.29019/enfoqueute.v9n2.252
Paredes-Arcos, F., Tinoco-Jaramillo, L., Congo-Yépez, C., & Vargas-Tierras, Y. (2024). Análisis
multitemporal de deforestación y cambio de la cobertura del suelo, en el cantón La Joya
de los Sachas, período 1990-2018. Bionatura Journal, 1(1), 1–13.
https://doi.org/10.70099/bj/2024.01.01.16
Rad, A. M., Kreitler, J., & Sadegh, M. (2021). Augmented Normalized Difference Water Index for
improved surface water monitoring. Environmental Modelling & Software, 140, 105030.
https://doi.org/10.1016/j.envsoft.2021.105030
Rigatti, S. J. (2017). Random Forest. Journal of Insurance Medicine, 47(1), 31–39.
https://meridian.allenpress.com/jim/article/47/1/31/131479/Random-Forest
Sandoval-García, R., González-Cubas, R., & Jiménez-Pérez, J. (2021). Análisis multitemporal
del cambio en la cobertura del suelo en la Mixteca Alta Oaxaqueña. Revista Mexicana
de Ciencias Forestales, 12(66). https://doi.org/10.29298/rmcf.v12i66.816
DOI: https://doi.org/10.71112/937g3506
220 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Siqueiros-Delgado, M. E., Rodríguez-Avalos, J. A., Martínez-Ramírez, J., Sierra-Muñoz, J. C.,
Siqueiros-Delgado, M. E., Rodríguez-Avalos, J. A., Martínez-Ramírez, J., & Sierra-
Muñoz, J. C. (2016). Situación actual de la vegetación del estado de Aguascalientes,
México. Botanical Sciences, 94(3), 455–470. https://doi.org/10.17129/botsci.466
Tan, J., Tang, Y., Liu, B., Zhao, G., Yu, M., Sun, M., & Wang, B. (2023). A Self-Adaptive
Thresholding Approach for Automatic Water Extraction Using Sentinel-1 SAR Imagery
Based on OTSU Algorithm and Distance Block. Remote Sensing, 15(10), 2690–2690.
https://doi.org/10.3390/rs15102690
Tempa, K., Ilunga, M., Agarwal, A., & Tashi. (2024). Utilizing Sentinel-2 Satellite Imagery for
LULC and NDVI Change Dynamics for Gelephu, Bhutan. Applied Sciences, 14(4), 1578.
https://doi.org/10.3390/app14041578
Xiao Xiang Zhu, Claas Grohnfeldt, & Chanussot, J. (2017). Hyperspectral and Multispectral
Data Fusion: A comparative review of the recent literature. IEEE Geoscience and
Remote Sensing Magazine, 5(2), 29–56. https://doi.org/10.1109/mgrs.2016.2637824
Yang, P., Song, W., Zhao, X., Zheng, R., & Qingge, L. (2020). An improved Otsu threshold
segmentation algorithm. International Journal of Computational Science and
Engineering, 22(1), 146. https://doi.org/10.1504/ijcse.2020.107266
Zhu, Z., & Woodcock, C. E. (2014). Continuous change detection and classification of land
cover using all available Landsat data. Remote Sensing of Environment, 144, 152–171.
https://doi.org/10.1016/j.rse.2014.01.011
