Clasificación Supervisada para el Mapeo del Maíz Forrajero Mediante Teledetección en la Región Lagunera, México

Resumen

La clasificación supervisada es una técnica que identifica regiones espectralmente similares mediante el uso de muestras de entrenamiento extraídas de una imagen de satélite. Los algoritmos más utilizados para la clasificación de la cobertura agrícola incluyen distancia mínima, máxima verosimilitud, mapeador de ángulos espectrales y Random Forest. En este estudio se evaluó el desempeño de estos algoritmos para identificar, mapear y cuantificar la superficie cultivada con maíz forrajero, cultivo de alta relevancia económica, en los módulos de riego X y XII del Distrito de Riego 017 Región Lagunera. Se emplearon imágenes satelitales Sentinel-2, adquiridas en tres fechas correspondientes a etapas fenológicas clave del maíz forrajero, desde el panojamiento hasta la fase reproductiva de grano lechoso. El algoritmo Random Forest con 100 árboles de decisión mostró el mejor desempeño, alcanzando los valores más altos de precisión global e índice de Kappa en ambos módulos de riego. El Módulo X presentó valores de precisión global de 79.1% e índice Kappa de 0.63. Por otra parte, el Módulo XII registró valores del 87.4% de precisión global y 0.79 de índice Kappa. Las precisiones más altas se lograron con la imagen del 11 de junio de 2021 (día juliano 162), cuando las diferencias fenológicas y de cobertura favorecieron la separación de los cultivos. El maíz forrajero presentó la mayor cobertura de la superficie en el área de estudio, alcanzando 44% de la superficie total. La clasificación del maíz forrajero resultó ser la más confiable en comparación con las demás clases evaluadas en ambos módulos. La identificación precisa, tanto espacial como temporal, del maíz forrajero permite la generación de inventarios actualizados y confiables, lo que contribuye de manera efectiva a la toma de decisiones en la planificación y manejo del cultivo, así como en la gestión de los recursos hídricos.