Revisión bibliométrica y temática de la clasificación de imágenes satelitales: Avances, aplicaciones y desafíos
Palabras clave:
Aprendizaje automático; clasificación de imágenes; NDVI; sostenibilidad; teledetecciónResumen
La clasificación de imágenes satelitales es una herramienta esencial para analizar la cobertura terrestre, monitorear ecosistemas y apoyar la planificación territorial. Este estudio revisa el estado del arte mediante un enfoque bibliométrico, de tendencias y temático aplicado a 65 estudios recuperados sistemáticamente y procesados con Mendeley y VOSviewer. Se identificaron cuatro ejes: aplicaciones territoriales y ambientales, desarrollo sostenible, tecnologías avanzadas y desafíos metodológicos. Los resultados muestran la relevancia de Sentinel, Landsat y el índice NDVI, así como el crecimiento de machine learning y deep learning para mejorar la automatización y precisión de la clasificación. Los casos de Ecuador, Colombia y Perú evidencian aplicaciones en deforestación, agricultura de precisión y conservación. Persisten limitaciones asociadas con la calidad e interoperabilidad de los datos y la generalización de modelos. La revisión confirma la necesidad de integrar sensores, índices espectrales y métodos de inteligencia artificial con procedimientos reproducibles y adaptados a las condiciones regionales.
Descargas
Citas
Aguilar, G., & Maldonado, Á. (2023). Identificación de las zonas de riesgo por deslizamientos de laderas debido a la saturación de suelos en la microcuenca del rio Mariño, Abancay Apurímac. Revista Ingeniería UC, 30(1). https://doi.org/10.54139/revinguc.v30i1.347
Almasoud, A. S., Mengash, H. A., Saeed, M. K., Alotaibi, F. A., Othman, K. M., & Mahmud, A. (2023). Remote Sensing Imagery Data Analysis Using Marine Predators Algorithm with Deep Learning for Food Crop Classification. Biomimetics, 8(7), 535. https://doi.org/10.3390/biomimetics8070535
Alzate, P., & Giraldo, D. (2023). Tendencias de investigación del blockchain en la cadena de suministro: transparencia, trazabilidad y seguridad. Revista Universidad y Empresa, 25(44). https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.12451
Ambrosio-Ambrosio, J. P., & González-Camacho, J. M. (2023). Algoritmos de aprendizaje automático para clasificar zonas de inundación a partir de imágenes de radar de apertura sintética. Tecnología y ciencias del agua, 14(4). https://doi.org/10.24850/j-tyca-14-04-03
Anaya, J. A., & Valencia, G. (2008). Análisis de textura en imágenes de satélite en el ámbito de la biodiversidad y la estructura en un bosque de los Andes Colombianos. Gestión y Ambiente, 11(3).
Ávila-Pérez, I. D., Ortiz-Malavassi, E., Soto-Montoya, C., Vargas-Solano, Y., Aguilar-Arias, H., & Miller-Granados, C. (2020). Evaluación de cuatro algoritmos de clasificación de imágenes satelitales Landsat-8 y Sentinel-2 para la identificación de cobertura boscosa en paisajes altamente fragmentados en Costa Rica. Revista de Teledetección, (57), 37. https://doi.org/10.4995/raet.2020.13340
Baquerizo, N. C., & Vega Ventocilla, E. J. (2022). Evaluación de algoritmos de machine learning en la clasificación de imágenes satelitales multiespectrales, caso: Amazonia Peruana. Ciencia Latina Revista Científica Multidisciplinar, 6(1), 4946–4963. https://doi.org/10.37811/cl_rcm.v6i1.1843
Bukar, U. A., Sayeed, M. S., Razak, S. F. A., Yogarayan, S., Amodu, O. A., & Mahmood, R. A. R. (2023). A method for analyzing text using VOSviewer. MethodsX, 11. https://doi.org/10.1016/j.mex.2023.102339
Camas Guardamino, D. J., & Mamani Sinche, M. S. (2022). Evaluación de la vegetación y saturación del suelo en el Área de Conservación Regional Humedales de Ventanilla mediante teledetección en Perú, 2006-2021. Revista de Ciencias Ambientales, 56(1). https://doi.org/10.15359/rca.56-1.3
Cheng, X., Sun, Y., Zhang, W., Wang, Y., Cao, X., & Wang, Y. (2023). Application of Deep Learning in Multitemporal Remote Sensing Image Classification. In Remote Sensing (Vol. 15, Number 15). https://doi.org/10.3390/rs15153859
Chuquibala Castro, E. M. (2022). Análisis multitemporal de índices de deforestación en el distrito de Yambrasbamba, Amazonas, Perú. Revista Científica UNTRM: Ciencias Naturales e Ingeniería, 4(3). https://doi.org/10.25127/ucni.v4i3.803
Conde, M., Perelman, S., & Cerezo, A. (2009). Efecto de diferentes métodos de clasificación de imágenes satelitales sobre índices de paisaje. Revista de teledetección: Revista de la Asociación Española de Teledetección, (32).
Costa, D. P., Herrmann, S. M., Vasconcelos, R. N., Duverger, S. G., Franca Rocha, W. J. S., Cambuí, E. C. B., Lobão, J. S. B., Santos, E. M. R., Ferreira-Ferreira, J., Oliveira, M., Barbosa, L. da S., Cunha Lima, A. T., & Lentini, C. A. D. (2023). Bibliometric Analysis of Land Degradation Studies in Drylands Using Remote Sensing Data: A 40-Year Review. In Land (Vol. 12, Number 9). https://doi.org/10.3390/land12091721
Doumet Chilán, Y., Cruz Romero, B., & Mendoza Montesdeoca, I. (2021). Sistemas de información geográfica para diagnósticos turísticos territoriales. Sosquua, 3(2). https://doi.org/10.52948/sosquua.v3i2.518
Du, P., Xia, J., Zhang, W., Tan, K., Liu, Y., & Liu, S. (2012). Multiple classifier system for remote sensing image classification: A review. Sensors, 12(4), 4764–4792. https://doi.org/10.3390/s120404764
Fernández-Fierro, A. A., Rosero-Erazo, C. R., Beltrán-Dávalos, A. A., & Echeverría-Guadalupe, M. M. (2020). Caracterización y dinámica de la cobertura de suelo mediante Teledetección: caso de estudio volcán Tungurahua, Ecuador. Domino de Las Ciencias, 6(2).
Franco-Arciniegas, V., & Díaz-Perdomo, J. (2023). Patrones espacio-temporales asociados a características del sedimento respecto a la disponibilidad de áreas de anidación para tres especies de tortugas el Amazonas colombo-peruano. Revista Cartográfica, (107). https://doi.org/10.35424/rcarto.i107.3373
Gioia, D., & Danese, M. (2022). Spatial Analysis for Landscape Changes. In Spatial Analysis for Landscape Changes. MDPI. https://doi.org/10.3390/books978-3-0365-2863-2
Harsh, P., Hachinger, S., Derquennes, M., Edmonds, A., Karagoz, P., Golasowski, M., Hayek, M., & Martinovič, J. (2023). Wine in the Cloud, or: Smart Vineyards with a Distributed “Extreme Data Database” and Supercomputing. Proceedings of Science, 434. https://doi.org/10.22323/1.434.0021
Kim, H., Kim, M., & Lee, Y. (2022). Research Trend of the Remote Sensing Image Analysis Using Deep Learning. In Korean Journal of Remote Sensing (Vol. 38, Numbers 5–3). https://doi.org/10.7780/kjrs.2022.38.5.3.2
Li, B., Xie, X., Wei, X., & Tang, W. (2021). Ship detection and classification from optical remote sensing images: A survey. Chinese Journal of Aeronautics, 34(3), 145–163. https://doi.org/10.1016/j.cja.2020.09.022
López-Calderón, M. J., Estrada-Ávalos, J., Martínez-Sifuentes, A. R., Trucíos-Caciano, R., & Miguel-Valle, E. (2023). Nitrógeno total en maíz forrajero (Zea mays L.) estimado mediante índices espectrales con el satélite Sentinel-2. REVISTA TERRA LATINOAMERICANA, 41. https://doi.org/10.28940/terra.v41i0.1628
Monroy Vásquez, J. O. (2011). Minería de datos con conjuntos aproximados para clasificación de imágenes satelitales (Data Mining with Rough Sets for Classification of Satellite Images). Ventana Informatica, (25). https://doi.org/10.30554/ventanainform.25.113.2011
Moskal, L. M., Styers, D. M., & Halabisky, M. (2011). Monitoring urban tree cover using object-based image analysis and public domain remotely sensed data. Remote Sensing, 3(10), 2243–2262. https://doi.org/10.3390/rs3102243
Nádudvari, Á., Abramowicz, A., Fabiańska, M., Misz-Kennan, M., & Ciesielczuk, J. (2021). Classification of fires in coal waste dumps based on Landsat, Aster thermal bands and thermal camera in Polish and Ukrainian mining regions. International Journal of Coal Science and Technology, 8(3). https://doi.org/10.1007/s40789-020-00375-4
Navarro-Ceciliano, O. (2021). Estudio de capacidad de acogida del suelo en el Corredor Biológico Interurbano Río Torres, Costa Rica. Revista Geográfica de América Central, 2(67). https://doi.org/10.15359/rgac.67-2.6
Ouchra, H., Belangour, A., & Erraissi, A. (2023). Machine Learning Algorithms for Satellite Image Classification Using Google Earth Engine and Landsat Satellite Data: Morocco Case Study. IEEE Access, 11, 71127–71142. https://doi.org/10.1109/ACCESS.2023.3293828
Patil, Prof. M. R., Shirashyad, Prof. V. V, Pandhare, Prof. P. S., & Ishwargond, Prof. S. M. (2023). An Overview of Sustainable Development Applications Using Artificial Intelligence and Remote Sensing in Urban Planning. INTERANTIONAL JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT, 07(10), 1–11. https://doi.org/10.55041/IJSREM26160
Pech May, F., Magaña Govea, J., López Gómez, L. A., & Ríos Toledo, G. (2023). Plataforma de IA UNAM-HUAWEI para el mapeo de inundaciones mediante imágenes satelitales. TIES, Revista de Tecnología e Innovación en Educación Superior, (8), 1–7. https://doi.org/10.22201/dgtic.26832968e.2023.8.5
Perea, A. J., Meroño, J. E., & Aguilera, M. J. (2009). Algoritmos de clasificación experta aplicados en imágenes satelitales quickbird para el mapeo de la cobertura de la tierra. Chilean Journal of Agricultural Research, 69(3). https://doi.org/10.4067/S0718-58392009000300013
Poveda-Sotelo, Y., Bermúdez-Cella, M. A., & Gil-Leguizamón, P. (2022). Evaluación de métodos de clasificación supervisada para la estimación de cambios espacio-temporales de cobertura en los páramos de Merchán y Telecom, Cordillera Oriental de Colombia. Boletín de Geología, 44(2), 51–72. https://doi.org/10.18273/revbol.v44n2-2022002
Quezada, A. S., Sevilla Tapia, J. D., & Avilés Sacoto, E. C. (2022). Estimación de la tasa de deforestación en Pastaza y Orellana- Ecuador mediante el análisis multitemporal de imágenes satelitales durante el período 2000-2020. Revista Alfa, 6(17). https://doi.org/10.33996/revistaalfa.v6i17.168
Remmel, T. K., Csillag, F., Mitchell, S., & Wulder, M. A. (2005). Integration of forest inventory and satellite imagery: A Canadian status assessment and research issues. Forest Ecology and Management, 207(3). https://doi.org/10.1016/j.foreco.2004.11.023
Reyna, L., & Gossweiler, B. (2011). Segmentación y clasificación de imágenes satelitales para determinar la cobertura del suelo. La Técnica: Revista de las Agrociencias. ISSN 2477-8982, (4). https://doi.org/10.33936/la_tecnica.v0i4.663
Riaño-Cubides, G. F. (2022). Viabilidad del uso de sensores remotos en la caracterización de asentamientos carenciados en Colombia. Memorias Del Concurso Lasallista de Investigación, Desarrollo e Innovación, 8(3). https://doi.org/10.26457/mclidi.v8i3.3226
Rodríguez, J. L. L., Rodríguez, M. L., Quispe, A. C., Tarmeño, E. I. C., Tovar, F. D. U., Soto, H. L. H., Cruz, O. E. T., Rojas, J. M. P., Casas, M. B. S., Guardia, P. W. V., Gutiérrez, H. O. C., & Gutiérrez, M. M. C. (2021). Uso del suelo según índice de vegetación diferenciada normalizada, mediante imágenes satelitales, tambillo-Ayacucho, 2000-2014, Perú. South Florida Journal of Development, 2(3). https://doi.org/10.46932/sfjdv2n3-083
Shugar, D. H., Colorado, K. A., Clague, J. J., Willis, M. J., & Best, J. L. (2019). ‘Boundary’: mapping and visualizing climatically changed landscapes at Kaskawulsh Glacier and Kluane Lake, Yukon. Journal of Maps, 15(3). https://doi.org/10.1080/17445647.2018.1467349
Tecuapetla-Gómez, I., Carbajal-Domínguez, A., & Montesinos-Chica, V. (2022). Clasificación de tendencias de NDVI en la península de Yucatán, México, de 2014 a 2020. Investigaciones Geográficas, (109). https://doi.org/10.14350/rig.60629
van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2). https://doi.org/10.1007/s11192-009-0146-3
Verde, N., Mallinis, G., Tsakiri-Strati, M., Georgiadis, C., & Patias, P. (2018). Assessment of radiometric resolution impact on remote sensing data classification accuracy. Remote Sensing, 10(8), 1267. https://doi.org/10.3390/rs10081267
Watson, C. S., King, O., Miles, E. S., & Quincey, D. J. (2018). Optimising NDWI supraglacial pond classification on Himalayan debris-covered glaciers. Remote Sensing of Environment, 217. https://doi.org/10.1016/j.rse.2018.08.020
Zambrano-Garcia, O. M., & Vlassova, L. (2023). Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.), banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.). In Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.), banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.). https://doi.org/10.55813/egaea.l.2022.61
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Journal of Science and Research
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:
Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
No utilizar esta obra para fines comerciales.
Declaración de privacidad
Los nombres y direcciones de correo-e introducidos en esta revista se usarán exclusivamente para los fines declarados por esta revista y no estarán disponibles para ningún otro propósito u otra persona.