Cartografía forestal mediante datos multiespectrales de alta resolución y técnicas avanzadas de clasificación

Resumen

La isla de La Palma presenta una elevada diversidad forestal como resultado de su compleja orografía, variedad climática y gradiente altitudinal, lo que hace imprescindible disponer de herramientas eficaces para la monitorización y gestión de sus ecosistemas forestales. En este contexto, la teledetección se posiciona como una herramienta clave para la clasificación y análisis de las formaciones forestales. Este trabajo evalúa la clasificación de la vegetación forestal arbolada de La Palma como paso previo al análisis de la salud de los distintos hábitats. Para ello, se emplearon datos multiespectrales de muy alta resolución del satélite WorldView-2, complementados con información de referencia procedente de cartografías oficiales y datos multiespectrales y LiDAR adquiridos mediante dron. Se definieron cinco clases principales de cobertura forestal y se comparó el rendimiento de distintos algoritmos de clasificación supervisada, incluyendo métodos clásicos (MD, MhD, P, SAM, ML, NB), técnicas de aprendizaje automático (KNN, RF, SVM) y un modelo avanzado de aprendizaje profundo basado en transformers (SegFormer). Los resultados muestran que los clasificadores Random Forest y SVM ofrecen las mejores precisiones globales (superiores al 70%), especialmente cuando se combinan las bandas espectrales con índices de vegetación y variables topográficas. El modelo de aprendizaje profundo presenta un buen comportamiento general, aunque no supera cuantitativamente a los métodos de aprendizaje automático, lo que exige incrementar la base de datos de entrenamiento del modelo. El estudio confirma el potencial de los datos multiespectrales y las técnicas basadas en inteligencia artificial para la cartografía forestal de alta precisión.