Revisión bibliográfica de uso de sensores remotos para la detección de cambios de cobertura vegetal impactada por la deforestación

• Autor: Jeri Vargas, Brigithe Sonia
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/62806
• Enlace del recurso: https://hdl.handle.net/20.500.12692/62806
• Nivel de acceso: acceso abierto
• Materia: Detectores; Deforestación; Bosques - Degradación; https://purl.org/pe-repo/ocde/ford#2.07.00

La presente investigación propuso como objetivo explicar los procesamientos metodológicos principales con usos de sensores remotos para la detección de cambios de cobertura vegetal; además de los métodos de detección de cambios más utilizados, y los principales métodos de clasificación temáticas basado en píxel y objetos. Por ello, se consultaron 36 fuentes de investigación para la elaboración de base de datos que determina los objetivos. Como los métodos más utilizados fueron el NDVI y CVA con 90% y 60% respectivamente. Los resultados obtenidos en los estudios revisados, con el coeficiente de kappa y la precisión global fueron instrumentos que validaron a los métodos de NDVI y CVA con una mayor precisión de 0.73 - 86.22%y 0.77 - 89.25% respectivamente para la detección de cambios en la cobertura vegetal, mientras que los métodos menos utilizados fueron el ACP, CPC, IR, Dx con un 20%, 10%, 10% y 10 % respectivamente. Para los métodos de clasificación temática basados en píxel, se obtuvo que el método con mayor precisión fue el SVM con 82.27% y el MLC con el 74.15%, y para los métodos basados en objetos se obtuvo una mayor precisión global para el RF con 89.9% y el K-NN con 81.5 %. Por lo tanto, se concluyó que los métodos de detección más utilizado para identificar cambios en la cobertura vegetal fueron el NDVI y el CVA como también presentaron una alta precisión y concordancia de kappa con la vegetación; y para el método de clasificación temática, los más utilizados que lograron tener una precisión alta, basada en píxel, fue el de SVM y MLC, en los estudios revisados, quienes permitiendo clasificar varias clases de vegetación en diferentes periodos; y para métodos basados en objetos el método RF y K-NN, lograron una alta precisión, aunque los estudios fueron mínimos para el método de clasificación debido a la demanda de tiempo.