02/06/2021
Los datos de teledetección demostraron ser un recurso valioso en una variedad de aplicaciones de las ciencias de la tierra. El uso de datos de alta dimensión con métodos avanzados como los algoritmos de Machine Learning (MLA), un subdominio de la inteligencia artificial, mejora el mapeo litológico por clasificación espectral. Las máquinas de vectores de soporte (SVM) son uno de los MLA más populares con la capacidad de definir límites de decisión no lineales en el espacio de características de alta dimensión resolviendo un problema de optimización cuadrática. Este artículo describe un método de clasificación supervisado considerando SVM para mapeo litológico en la región de Souk Arbaa Sahel perteneciente al interior de Sidi Ifni, ubicado en el sur de Marruecos (Western Anti-Atlas). Los objetivos de este estudio fueron (1) refinar el mapa litológico existente de esta región, y (2) evaluar y estudiar el desempeño del enfoque SVM mediante el uso de características espectrales combinadas de Landsat 8 OLI con modelos geomorfométricos de elevación digital (DEM). atributos de los datos ALOS / PALSAR. Realizamos un método de clasificación SVM para permitir el uso conjunto de características geomorfométricas y datos multiespectrales de Landsat 8 OLI. Los resultados indicaron una precisión de clasificación general del 85%. De los resultados obtenidos, podemos concluir que el enfoque de clasificación produjo una imagen conteniendo unidades litológicas que identificaron fácilmente formaciones como limo, aluvión, caliza, dolomita, conglomerado, arenisca, riolita, andesita, granodiorita, cuarcita, lutita e ignimbrita, coincidiendo con los que ya existen en el mapa geológico publicado. Este resultado confirma la capacidad de SVM como un algoritmo de aprendizaje supervisado para
propósito del mapeo litológico.
Dale un vistazo a la mas reciente publicación de Cuiying Zhou y colaboradores en en siguiente artículo original:
https://www.mdpi.com/2220-9964/8/6/248/pdf
