Registro de resúmenes

Reunión Anual UGM 2025


SE10-4

 Resumen número: 0633  |  Resumen aceptado  
Presentación oral

Título:

APRENDIZAJE SUPERVISADO APLICADO PARA EL MAPEO DE LA COBERTURA FORESTAL DEL SISTEMA LAGUNAR CHASCHOC SEJÁ, TABASCO, MÉXICO

Autores:

1 Jacob Jesús Nieto Butrón EMPonente
Instituto de Geofísica, UNAM.
jacob.nieto@igeofisica.unam.mx

2 Nelly Lucero Ramírez Serrato
Departamento de Recursos Naturales, Instituto de Geofísica, UNAM.
nellyrmz@igeofisica.unam.mx

3 Sergio Armando García Cruzado
Posgrado de Ciencias de la Tierra, UNAM
garciacrz93@gmail.com

4 Alejandro Romero Herrera
IBERO
alromh87@gmail.com

5 Mario Alberto Hernández Hernández
Departamento de Recursos Naturales, Instituto de Geofísica, UNAM.
malbher@igeofisica.unam.mx

6 Alejandra Cortés
Departamento de Recursos Naturales, Instituto de Geofísica, UNAM
tuzacortesilva@gmail.com

7 Guillermo Hernández García
Departamento de Recursos Naturales, Instituto de Geofísica, UNAM
ghdez@igeofisica.unam.mx

8 Graciela Herrera Zamarrón
Departamento de Recursos Naturales, Instituto de Geofísica, UNAM
ghz@igeofisica.unam.mx

9 Selene Olea Olea
Instituto de Geología, UNAM
selene@geologia.unam.mx

Sesión:

SE10 Métodos computacionales en Ciencias de la Tierra Sesión especial

Resumen:

El sistema lagunar Chaschoc-Sejá ubicado en Tabasco es una región natural dominada por una serie de lagunas interconectadas, importante por que alberga una gran diversidad de flora y fauna y entre ellas, especies endémicas. Por su importancia, requiere de un monitoreo a lo largo del tiempo para evaluar los impactos antropogénicos que está sufriendo la zona. Los mapas de uso de suelo y de morfometría de cuerpos de agua son una herramienta clave para el monitoreo a gran escala. El objetivo de nuestro trabajo es aplicar diferentes algoritmos de aprendizaje supervisado sobre imágenes satelitales planet scope (3 m) para determinar cual nos ayuda a mapear de forma más eficaz la cobertura forestal y los cuerpos de agua específicamente para el área de estudio. Para esto, se tomó en cuenta una imagen satelital para temporada de seca y una de temporada de lluvia (Marzo y Septiembre de 2024, respectivamente). Se tomaron puntos de entrenamiento de las diferentes coberturas y se aplicaron 4 algoritmos de clasificación supervisada. Para hacer la comparación se implementó el algoritmo tradicional de “Máxima verosimilitud” (maximum likelihood) y tres algoritmos de aprendizaje automatizado llamados “bosques aleatorios” (random forest), “máquinas de vector soporte” (support vector machine) y “árboles aleatorios” (random trees). Para la validación de los mapas de uso de suelo se utilizó el método de índice de kappa. Con este método se evalúa la capacidad que aporta cada uno y cual es el que mejor se adapta a la zona de estudio. Los resultados preliminares muestran que el algoritmo tradicional de clasificación Maximum Likelihood tiende ajustar mejor las clases que los otros tres, ya que hace una separación más fina de las categorías. Estos resultados son preámbulo para utilizar el algoritmo de maximum likelihood en un monitoreo multitemporal en la zona que sea válido para evaluar la evolución morfométrica de la zona y que a su vez pueda ser una herramienta de cuidado ambiental.





Reunión Anual UGM 2025
Del 26 al 31 de Octubre
Puerto Vallarta, Jalisco, México