Libro de Resúmenes / Book of Abstracts (Español/English)

Resumenes 121
Comparación de Enfoques de Aprendizaje Supervisados para la
Detección Temprana de Áreas Invadidas por Paraíso (Melia
azedarach) en Imágenes Landsat ETM del Parque Nacional El
Palmar
Priscilla Minotti 1 , Anal Scopel 2 , Diana Stuart Sinton 2,3 y Fernando Ruiz
Selmo 2
1 Departamento de Ciencias Biológicas, Universidad CAECE, Buenos Aires,
Argentina, Av. De Mayo 866, (1084) Buenos Aires, Argentina,
pminotti@caece.edu.ar
2 IFEVA, Facultad de Agronomía, Universidad de Buenos Aires, Buenos Aires,
Argentina.
3 GIS Program, National Institute for Technology & Liberal Education, Middlebury,
Vermont USA
El Parque Nacional El Palmar (PNEP) es un relicto de 8400 Ha de
sabanas templadas de la palmera Butia yatay con serios problemas de
conservación debidos a la invasión de varias especies de leñosas exóticas,
entre las cuales se destaca el Paraíso (Melia azedarach). En este trabajo,
evaluamos la capacidad de detección del estado de invasión por paraíso en
imágenes Landsat ETM, usando enfoques de aprendizaje automático
supervisado cuya aplicación en teledetección de invasiones biológicas es
aún incipiente.
Se compilaron posiciones de muestras de vegetación obtenidas con
GPS no diferencial considerando tres estados: sin invasión; invasión
incipiente e invadida. Se utilizaron dos imágenes Landsat ETM de épocas
contrastantes (invierno 2000 y verano 2001) calibradas radiométrica y
geométricamente, extrayéndose los valores espectrales de la ventana de
3x3 píxeles correspondientes a la ubicación de la muestra. Se evaluaron
cinco inductores de clasificación -Bayes ingenuo, k-vecinos más cercanos
(k-nn), árboles de decisión con J48, reglas de decisión con JRip, y red
neuronal con arquitectura de perceptrón de tres capas con
retropropagación- utilizando curvas ROC, matrices de confusión, tasa total
de aciertos positivos y tasa total de falsos positivos.
El estado de invasión pudo ser detectado por las siguientes variables:
diferencia entre fechas de las reflectividades en el infrarrojo cercano y en
valores de los índices NDVI, SAVI y NDWI; reflectancia de verano en el azul
y reflectancia en invierno en el infrarrojo medio (banda 5). Las clases
invadida y sin invasión son fácilmente identificables por todos los métodos
analizados, con valores de performance superiores al 70%. La invasión
incipiente, en cambio, fue detectada con errores razonables por k-nn (con
un vecino más cercano) y en menor medida por la red neuronal propuesta.
La aplicación de k-nn para clasificación supervisada de imágenes satelitales
es muy promisorio ya que es de fácil implementación para el monitoreo
semestral y también de interpretación conceptual para los administradores
del PNEP.
Comparison of Supervised Learning Approaches to Detect
Early Landscape Invasion of Chinaberry Trees (Melia