Cartografía del uso/cobertura del suelo a través del Geo Big Data: un enfoque para el año agrícola 2021-2022, Uruguay

Abstract

La cartografía de uso y cobertura del suelo es una herramienta para comprender cómo la configuración del territorio influye sobre los componentes bióticos, abióticos y antrópicos. Las tecnologías de Geo Big Data permiten generar productos cartográficos de manera ágil y precisa. Esta investigación propone dos soluciones para mapear el uso y cobertura del suelo del Uruguay para el año agrícola 2021–2022. Los materiales comprendan las imágenes Sentinel 1 y Sentinel 2, Google Earth Engine, GEEMAP, Scikit-learn y los algoritmos Random Forest y Support Vector Machines. En cuanto a los métodos, sobresale la creación de un conjunto de datos multitemporal, el ajuste de los hiperparámetros y la clasificación supervisada a partir de los citados algoritmos. Se generaron dos mapas: S1S2RF_uy y S1S2SVM_uy. Ambos productos presentaron óptimos niveles de precisión, aunque S1S2RF_uy alcanzó un desempeño ligeramente superior, con una exactitud global del 83 % y un índice kappa de 0.81, frente al 81 % y 0.78 de S1S2SVM_uy. A nivel de clases, Random Forest mostró mayor capacidad para clasificar clases agrícolas, mientras que Support Vector Machines fue más eficaz en la identificación de coberturas artificiales como el tejido urbano. Se comprueba que el ajuste de los hiperparámetros es necesario para el óptimo aprovechamiento de los clasificadores. Con base en las estadísticas de fiabilidad, se evidencia que los recursos Geo Big Data son idóneos para una ágil creación de cartografía que representa todo el país bajo una resolución espacial media – alta. Futuras líneas deben considerar enfoques regionales y temporales distintos al año agrícola.

Land use and land cover mapping is a key tool for understanding how territorial configuration influences biotic, abiotic, and anthropic components. In this regard, Geo Big Data technologies enable the agile and accurate generation of cartographic products. This study proposes two solutions for mapping land use and land cover in Uruguay for the 2021–2022 agricultural year. The inputs include Sentinel-1 and Sentinel-2 imagery, Google Earth Engine, GEEMAP, Scikit-learn, and the Random Forest and Support Vector Machines algorithms. The methodology highlights the creation of a multitemporal dataset, hyperparameters tuning, and supervised classification. As a result, two maps were generated: S1S2RF_uy and S1S2SVM_uy. Both products exhibited elevated levels of accuracy, although S1S2RF_uy performed slightly better, with an overall accuracy of 83 % and a kappa coefficient of 0.81, compared to 81 % and 0.78 for S1S2SVM_uy. At the class level, Random Forest showed a greater ability to classify agricultural covers, while Support Vector Machines were more effective in identifying artificial surfaces such as urban fabric. The findings confirm that hyperparameter tuning is essential for optimal classifier performance. Based on the reported accuracy statistics, it is also demonstrated that freely accessible Geo Big Data resources are well-suited for the efficient production of national-scale cartography at medium-to-high spatial resolution. Future research should prioritise regional focus and extend timeframes beyond the traditional agricultural year.