Comparación de dos modelos de clasificación de la cobertura superficial del municipio de Texcoco de Mora, Estado de México.

Abstract

La teledetección facilita obtener datos digitales de la superficie terrestre sin necesidad de tener contacto directo con ella. Las Imágenes satelitales muestran los datos reflejados por la superficie de la tierra que captura un sensor acoplado en un satélite artificial. En el presente estudio se trabajó con imágenes satelitales SPOT 7, de dos fechas diferentes, a las cuales se realizaron correcciones radiométricas. Posteriormente se realizó una clasificación no supervisada con el modelo Isodata, para determinar la superficie de cada clase y proceder al calculó del tamaño de la muestra mediante la distribución multinomial. Para la clasificación supervisada se trabajó con los modelos de Máxima Verosimilitud y Propagación resiliente de Redes Neuronales Artificiales (RNA). La precisión global promedio del primer modelo fue de 84.6% y un coeficiente kappa promedio de 81.5%, mientras que, para el modelo de Redes Neuronales se obtuvo una precisión global promedio 86.5% y un coeficiente kappa promedio de 83.8%. Con base al modelo de RNA y al Modelo Digital de Elevaciones, se determinaron las áreas con una pendiente mayor al 15%, que se denominaron Zonas sin cubierta vegetal con vocación forestal. _______________ COMPARISON OF TWO MODELS OF CLASSIFICATION OF THE SURFACE COVERAGE OF THE MUNICIPALITY OF TEXCOCO DE MORA, STATE OF MEXICO. ABSTRACT: Remote sensing facilitates obtaining digital data from the Earth's surface without direct contact with it. Satellite images show the data reflected by the surface of the earth that captures a sensor coupled in an artificial satellite. In the present study we worked with satellite images SPOT 7, two different dates, to which radiometric corrections were made. Subsequently an unsupervised classification with Isodata model, to determine the area of each class and in calculating the size of the sample by multinomial distribution was performed. For supervised classification worked with models Maximum Likelihood resilient Propagation Artificial Neural Networks (ANNs). The first model average overall accuracy was 84. 6% and an average kappa coefficient 81.5%, while for the neural network model an average overall accuracy 86.5% and an average coefficient kappa 83.8% was obtained. Based on the model RNA and the Digital Elevation Model, areas with a slope greater than 15%, which were designated areas without vegetation cover for forestry were determined.