Clasificación de cultivos en Ecuador utilizando técnicas de aprendizaje profundo con escasos datos

CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. En Ecuador, la escasez de datos etiquetados sobre cultivos agrícolas representa una barrera significativa para la planificación territorial, la gestión de recursos y el desarrollo de políticas públicas a largo plazo. Esta falta de información dificulta la generación de mapas confiables de uso del suelo, especialmente en un contexto donde se requiere conocer la distribución y evolución de los principales cultivos del país. Esta tesis aborda dicho problema mediante la evaluación de distintas estrategias de clasificación de cultivos a partir de imágenes satelitales, considerando escenarios con datos limitados. Se comparan tres enfoques: modelos tradicionales (como Random Forest), redes neuronales convolucionales (CNN) y el modelo Transformador de teledetección preentrenado (Presto por sus siglas en inglés), recientemente propuesto en la literatura. Se utilizan diferentes combinaciones de entradas espectrales (RGB, 10 bandas e índices) y tipos de clasificación (binaria y multiclase), evaluando su desempeño mediante métricas como el F1-score macro. Los resultados muestran que, en contextos de escasez de datos, los modelos tradicionales siguen siendo una alternativa sólida, mientras que las CNN aportan mejoras moderadas. El modelo Presto ofrece un balance prometedor entre precisión y eficiencia computacional, generando mapas útiles para el monitoreo agrícola. Este trabajo demuestra que, incluso en países con recursos limitados, es posible adaptar estrategias de aprendizaje automático para mejorar la representación espacial de cultivos y apoyar la toma de decisiones en el sector agrícola.

• Autor Principal: Luna González, Jocellyn Marie (author)
• Outros autores: Córdova García, José Eduardo, Director (author)
• Formato: bachelorThesis
• Publicado: 2025
• Subjects: Clasificación; Cultivos; Ecuador; Técnicas de Aprendizaje; Profundo; Escasos datos
• Acceso en liña: http://www.dspace.espol.edu.ec/handle/123456789/67382