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
DOI:
https://doi.org/10.71112/937g3506Palabras clave:
inteligencia artificia;, multiespectral;, Sentinel-2;, vegetación;, visión artificialResumen
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 los próximos cinco años, resaltando la urgencia de implementar estrategias de conservación ambiental en la región.
Descargas
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 DOI: 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 DOI: 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/10.21829/myb.2019.2531779
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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/10.1007/s11676-020-01155-1
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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/10.17129/botsci.3148
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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.21931/BJ/2024.01.01.18
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 DOI: 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 DOI: https://doi.org/10.17849/insm-47-01-31-39.1
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/10.29298/rmcf.v12i66.816
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1016/j.rse.2014.01.011
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Rodrigo Alejandro Centeno Flores (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
