Artículo
Entre Ríos presenta un paisaje particular con numerosos ambientes contrastantes. Cartografiar tanto los naturales y como los antrópicos es una tarea frecuente gracias a la utilización de tecnologías de percepción remota junto con los sistemas de información geográfica. Conocer qué, cuánto y dónde se encuentran es indispensable para diseñar estrategias de uso sostenible y de conservación de recursos naturales en un territorio. La libre accesibilidad de los datos y la capacidad de procesamiento en la nube de toda esta información es determinante para procesar y clasificar la vegetación de un área determinada. El objetivo fue confeccionar un mapa actualizado y rápidamente actualizable en el futuro con el mismo método de los ambientes naturales y antrópicos más representativos de la provincia de Entre Ríos conociendo cuál es la mejor época del año en la cual se maximiza el porcentaje de acierto de clasificación de algoritmos automáticos de cada ambiente. Utilizar algoritmos automáticos de aprendizajes de clasificación fue útil para conocer la extensión de los ecosistemas naturales y antrópicos en un amplio territorio. Las herramientas de Google Earth Engine permitieron seleccionar la época del año en la cual se maximiza el porcentaje de acierto y disminuye la probabilidad de error con bajo costo computacional y operacional. Los resultados obtenidos son indispensables para planificar políticas públicas de forma precisa y certera para las actividades productivas, como así también para la conservación de los recursos naturales. Entre Ríos presents a distinctive landscape with numerous contrasting environments. Mapping both natural and anthropic features is a common task facilitated using remote sensing technologies alongside geographic information systems. Knowing what, how much, and where they are located is essential for designing sustainable use and conservation strategies for natural resources in a territory. The free accessibility of data and the cloud processing capability for all this information are crucial for processing and classifying the vegetation of a specific area. The aim was to create an updated map that can be easily updated in the future, using the same method for the most representative natural and anthropic environments in the province of Entre Ríos. This involves determining the best time of the year to maximize the accuracy percentage of automatic algorithm classification for each environment. Employing automatic classification learning algorithms was useful in understanding the extent of natural and anthropic ecosystems across a vast territory. Google Earth Engine tools allowed for selecting the optimal time of year to maximize accuracy percentage and minimize the probability of error with low computational and operational costs. The results obtained are indispensable for planning precise and accurate public policies for productive activities, as well as for the conservation of natural resources.
Cartografía de los ambientes naturales y antrópicos de Entre Ríos (Argentina) utilizando clasificación de aprendizaje automático
Título:
Mapping of the natural and anthropic environments of Entre Rios (Argentina) using machine learning classification
Sabattini, Julian Alberto
; Sabattini, Rafael Alberto; Muzzachiodi, Norberto; Treisse, Irina
; Penco, Rodrigo
![Icon](/themes/CONICETDigital/images/conicet.png)
![Icon](/themes/CONICETDigital/images/conicet.png)
Fecha de publicación:
07/2024
Editorial:
Universitat Politècnica de València
Revista:
Revista de Teledetección
ISSN:
1133-0953
e-ISSN:
1988-8740
Idioma:
Español
Tipo de recurso:
Artículo publicado
Clasificación temática:
Resumen
Archivos asociados
Licencia
Identificadores
Colecciones
Articulos(INALI)
Articulos de INST.NAC.DE LIMNOLOGIA (I)
Articulos de INST.NAC.DE LIMNOLOGIA (I)
Articulos(SEDE CENTRAL)
Articulos de SEDE CENTRAL
Articulos de SEDE CENTRAL
Citación
Sabattini, Julian Alberto; Sabattini, Rafael Alberto; Muzzachiodi, Norberto; Treisse, Irina; Penco, Rodrigo; Cartografía de los ambientes naturales y antrópicos de Entre Ríos (Argentina) utilizando clasificación de aprendizaje automático; Universitat Politècnica de València; Revista de Teledetección; 64; 7-2024; 49-60
Compartir
Altmétricas