Interpretación de:
Mapping Land Cover Types for Highland Andean Ecosystems in Peru Using Google Earth Engine
https://doi.org/10.3390/rs14071562Pizarro, S., Pricope, N., Vargas-Machuca, D., Huanca, O., Ñaupari, J., 2022: Mapping Land Cover Types for Highland Andean Ecosystems in Peru Using Google Earth Engine, Remote Sensing, 14, 1562, https://doi.org/10.3390/rs14071562
Intérprete
Gomez Oros Anthony
Fecha de interpretación
29/04/2026
Revisor
Armijos Cárdenas Elisa Natalia
Resultados y conclusiones
El estudio demuestra que el uso de Google Earth Engine junto con algoritmos de aprendizaje automático permite generar mapas de cobertura terrestre precisos en ecosistemas altoandinos complejos. El modelo de mejor desempeño fue Random Forest, alcanzando un coeficiente Kappa de 0,81, evidenciando alta concordancia con datos de referencia. Se concluye que la incorporación de variables topográficas (elevación y pendiente) mejora significativamente la discriminación entre coberturas con firmas espectrales similares, como pastos altos y bajos. Asimismo, se confirma la utilidad de plataformas en la nube para el monitoreo multitemporal y la gestión sostenible de ecosistemas de montaña.
Metodología y datos
Se emplearon imágenes satelitales de Landsat 8 OLI correspondientes al año 2018, procesadas en Google Earth Engine mediante enmascaramiento de nubes y composición multitemporal. Se generaron variables predictoras a partir de bandas espectrales, índices (NDVI, EVI, NDBI, entre otros) y variables topográficas derivadas del modelo ALOS PALSAR (elevación, pendiente y orientación). Se utilizaron 3601 muestras para entrenamiento y validación. Se evaluaron seis algoritmos de aprendizaje automático, destacando Random Forest por su mayor precisión. La validación se realizó mediante matriz de confusión, precisión global y coeficiente Kappa.
Limitaciones de la investigación
Una de las principales limitaciones del estudio está relacionada con la resolución espacial de las imágenes de Landsat 8 OLI (30 × 30 m). Dentro de un solo píxel pueden coexistir múltiples tipos de cobertura terrestre, generando el efecto de “píxeles mixtos”. Esta situación introduce incertidumbre en la clasificación y reduce la precisión, especialmente en paisajes altamente heterogéneos como los ecosistemas altoandinos.
Recomendaciones
Se recomienda incrementar la densidad y representatividad de los puntos de muestreo en campo para mejorar la precisión de los modelos. Asimismo, integrar imágenes de mayor resolución espacial como Sentinel-2 o datos LiDAR podría reducir la confusión entre clases similares.
Adaptación: Bosques, Agricultura
Mitigación: Uso de suelo, cambio de uso de suelo y silvicultura
Escala: Regional
Ámbito geográfico: Reserva Paisajística Nor Yauyos Cochas,Lima,Junin,Perú
Palabras clave: Random Forest, Supervisado