Cambio en la cobertura de la tierra en el municipio de Viotá-Cundinamarca entre el año 2000 y 2015
Yeimy Maryury Montilla Montilla
junio 23, 2020
1 Resumen
Establecer los cambios de cobertura de una región permite tener una perspectiva adicional para evaluar el impacto de las actividades dentro de la sociedad para dar soporte a la toma de decisiones y el desarrollo de políticas públicas. La percepción remota es la tecnología empleada mayoritariamente para producir la información relacionada, hasta hace poco se tenían limitaciones en cuanto a la facilidad de acceso a los datos y capacidad de procesamiento. Con el surgimiento de plataformas Google Earth Engine (GEE), el proceso de clasificación se puede mejorar teniendo acceso a una amplia colección de imágenes, sistematizando los procesos y mejorando los tiempos de procesamiento, Ahora bien, existen herramientas locales que son igualmente funcionales como lo es RStudio, llegando a ser complementarias con GEE. En el siguiente análisis tiene como propósito analizar los cambios de cobertura para el municipio de Viotá Cundinamarca usando la plataforma GEE para los dos años a comparar y RStudio para análisis los cambios.
2 Introducción
Los mapas de cobertura son estratégicos para las entidades territoriales como soporte para el desarrollo de las políticas públicas, los gobiernos locales requieren estimar las áreas en cultivos y las producciones de estos. Recolectar esta información en campo es costoso por tal razón la teledetección se ha convertido en una herramienta eficaz para proporcionar información espacial y temporal de la cobertura de la tierra en grandes extensiones (Kobayashi, Tani, Wang, & Sonobe, 2020).
Para llevar a cabo el procesamiento de imágenes que contienen información espectral, existen diversos softwares que permiten llevar a cabo dicha tarea, entre ellos, GEE - Google Earth Engine; esta plataforma que, además, permite hacer uso del catálogo de imágenes satelitales de Google, implementa una interfaz de usuario amigable que utiliza herramientas de procesamiento y análisis espacial con ayuda de algoritmos y líneas de códigos en lenguaje JavaScript. Dicha herramienta permite desarrollar procesos complejos que involucran gran cantidad de información dentro de los servidores de Google y finalmente permite visualizar los resultados e inclusive descárgalos para ser utilizados posteriormente ya sea dentro de la misma herramienta o en herramientas externas de análisis espacial como cualquier Sistema de Información Geográfico (Google, 2020).
El presente ejercicio se realiza identificar los cambios en la cobertura en el municipio de Viotá entre los años 2000 y 2015, el proceso de clasificación para los dos años, se sistematizo en la plataforma GEE y el análisis de cambios se realizó en la plataforma RStudio. los resultados arrojaron cambios significativos entre los dos años especialmente en la cobertura de pastos y área urbana.
2 #Datos y métodos
En esta sección, se especifica el tipo de datos y métodos utilizados para obtener la clasificación de las imágenes landsat 7 y Landsat 8 y posterior identifición en el cambio de cobertura.
El estudio se realizó en el municipio de Viota, Cundinamarca comparando la cobertura de los años 2000 y 2015.
2.1 Área de estudio
El municipio de Viotá está ubicado al sur occidente del Departamento de Cundinamarca, sobre el piedemonte de la Cordillera Oriental, a 86 km de Bogotá. Tiene una superficie total de 20.800 hectáreas, de las cuales 20.667 son rurales y urbanas 133. Del área rural aproximadamente las cuales 14.560 Hectáreas corresponden a pequeños productores con minifundios menores de 5 Hectáreas y el resto a explotaciones mayores. El 67.8% del sector rural se dedica exclusivamente a labores agrícolas, donde históricamente ha predominado el cultivo del café, actualmente, se estiman aproximadamente 4.818 Hectáreas sembradas entre los 1000 y los 2000 msnm. El segundo puesto lo ocupa el cultivo de plátano, se calculan aproximadamente 700 ha sembradas con este producto, generalmente en asociación con el café. Los cítricos también ocupan un puesto importante dentro la economía del municipio, se calculan aproximan 923 ha sembradas. En las zonas de menor altura del municipio se calculan aproximadamente 850 ha sembradas de maíz. Otros cultivos en los que se basa la economía se encuentran: el Mango con aproximadamente 450 ha, El Aguacate con aproximadamente 400 ha, El Cacao con aproximadamente 272 ha, la caña panelera con aproximadamente 200 ha. Adicionalmente, con el fin de aliviar la necesidad alimentaria de las propias familias campesinas se produce en menor escala ahuyama, yuca, guayaba, guanábana, tomate, arveja, frijol (Alcaldía Municipal de Viotá,2020).
2.2 Datos
En relación con los datos se usó la colección de imágenes de Landsat 7 y Landsat 8 dispuestas en la plataforma GEE descritas a continuación.
Imagen de la colección LANDSAT/LE07/C01/T1_TOA identificada como LANDSAT/LE07/C01/T1_TOA/LE07_008057_20000814 y adquirida el 14 de agosto del 2000.
Imagen de la colección LANDSAT/LC08/C01/T1_TOA identificada como LANDSAT/LC08/C01/T1_TOA/LC08_008057_20150104 adquirida el 4 de enero del 2015.
Para definir el área de estudio se uso el polígono del límite del municipio de Viotá para definir el marco espacial del proyecto, la información se obtuvo en el Instituto Geográfico Agustín Codazzi (IGAC).
Figura 1. Imagenes de estudio Izquierda Imagen Landsat 7 del año 2000 en verdadero color Derecha Imagen Landsat 8 del año 2015 en verdadero color
2.3 Métodos
El siguiente punto trata del flujo metodológico empleado para el proceso de identificación cambios en la cobertura del suelo del municipio de Viotá , Cundinamarca.
…
Figura 2. flujo metodológico
Dentro del flujo definido en la figura 2, el cual fue trabajado en la plataforma Google Earth Engine, se establece como primer paso el cargue de la colección de las imágenes Landsat 7 y Landsat 8 donde se filtraron los resultados por fecha y área de estudio. En el caso particular de esta área de estudio, la cual presenta nubosidades constantes durante todo el año, fue necesario trabajar con una sola imagen para cada año a comparar, No obstante, el Script está diseñado para reducir una colección de imágenes a una sola imagen, calculando la media del píxel.
En cuanto al muestreo, se realizo inicialmente un muestreo aleatorio en el área de estudio en el software Qgis, y posteriormente se identificó para cada uno de los puntos la cobertura asociada, apoyando la decisión en las imágenes de mejor resolución de Google Earth. Sin embargo, fue necesario ajustar la muestra a conveniencia, incluyendo puntos adicionales de muestreo para las clases menos representativas en el área de estudio y para las clases mas variables como los son los pastos y cultivos.
…
Figura 2. Diseño muestral
El proceso de clasificación se realizó en la plataforma GEE, donde se seleccionaron las imágenes con menor nubosidad para los años 2000 y 20015, usando las colecciones de las imágenes Landsat 7 y Landsat 8 respectivamente, por otra parte, se cargaron las muestras para entrenar y validar el algoritmo y el polígono del área de estudio del proyecto para cortar las imágenes.
La muestra fue distribuida en un 70% para el proceso de entrenamiento del algoritmo y el otro 30% para validación, conforme a lo recomendado por Millard & Richardson (2015). El algoritmo Machine Learning de aprendizaje supervisado random forest fue fijado con 500 árboles de decisión de acuerdo con lo recomendado por Belgiu & Drăguţ, L (2016). Posterior al entrenamiento del algoritmo se procedió a realizar la clasificación y luego el proceso de validación.
La clasificación se aprobó considerando como parámetro una índice kappa, igual o superior a 0,75, lo cual representa un acuerdo moderado (Jensen, 2016). Para superar este umbral fue necesario ajustar en repetidas ocasiones, teniendo en cuenta el índice al mismo tiempo que la consistencia de la clasificación con la realidad. A continuación, se señala el enlace que evidencia los procedimientos anteriormente mencionados.
https://code.earthengine.google.com/64241fa0ee525e8455b8b15b385ef48b
Por último, para establecer los cambios en la cobertura durante los dos años de estudio, fueron comparados los resultados de las dos clasificaciones mediante una matriz de tabulación cruzada, con la cual se evalúa cambio total de las categorías de tierras de acuerdo a los siguientes aspectos: cambio neto e intercambio, así como ganancias brutas y pérdidas brutas como lo explica Pontius & Menzie McEachern (2004). Este proceso se desarrolló en Rstudio.
El proceso de análisis de cambio en la cobertura por cada clase se realizó con el fin de identificar las área perdida y ganada por cada una, es importante aclarar que se excluyeron los pixeles que en alguno de los dos años presento afectación por nubes o sombras.
3 Resultados
3.1 Mapeo de cobertura
3.1.1 Mapa de cobertura para el año 2000
Figura 3. Mapa de cobertura del suelo para el año 2000
El resultado de la clasificación señala que para el año 2000 en el municipio de Viotá predominaba la cobertura de bosque con un 45,26 %, en segundo lugar la cobertura cultivos con un 27,86%, la cobertura pastos con una cobertura de 15,38% y en un porcentaje pequeño el area urbana con un 0,34%, como se observa en la tabla 2.
Tabla 2. Áreas y porcentajes por clase| Clase | Area(ha) | Porcentaje(%) |
|---|---|---|
| Pastos | 3075.03 | 15.38 |
| Cultivos | 5561.94 | 27.83 |
| Bosque | 9047.65 | 45.26 |
| Area Urbana | 67.25 | 0.34 |
| Nubes | 1750.05 | 8.76 |
| Sombras | 486.65 | 2.43 |
| Total | 19988.57 | 100.00 |
3.1.2 Mapa de cobertura para el año 2015
Figura 4. Mapa de cobertura del suelo para el año 2015
El resultado de la clasificación señala que para el año 2015 en el municipio de Viotá predominaba la cobertura de bosque con un 379,70 %, seguida de las clases pastos y cultivos con porcentajes similares, 28,03 y 26,11 % respectivamente y en un porcentaje pequeño el area urbana con un 0,82% , como se observa en la tabla 3.
Tabla 3. Áreas y porcentajes por clase| Clase | Area(ha) | Porcentaje(%) |
|---|---|---|
| Pastos | 5603.50 | 28.03 |
| Cultivos | 5219.89 | 26.11 |
| Bosque | 7936.09 | 39.70 |
| Area Urbana | 164.50 | 0.82 |
| Nubes | 514.89 | 2.58 |
| Sombras | 549.72 | 2.75 |
| Total | 19988.57 | 100.00 |
3.2 Calidad temática
3.2.1 Clasificación año 2000
La tabla 4, muestra la matriz de confusión obtenida a partir de la muestra de validación, en esta se puede evidenciar que la clase pastos presenta confusión especialmente con la clase cultivos, mientras que la clase cultivos presenta mayor confusión con la clase Bosque y en contraste la clase bosque presenta confusión con la clase cultivos.
Tabla 4 Matriz de confusión para la clasificación del año 2000
| Clase | Pastos | Cultivos | Bosque | Area Urbana | Nubes | Sombras | Total |
|---|---|---|---|---|---|---|---|
| Pastos | 21 | 2 | 1 | 0 | 0 | 0 | 24 |
| Cultivos | 3 | 30 | 4 | 0 | 0 | 0 | 37 |
| Bosque | 0 | 7 | 41 | 0 | 0 | 1 | 49 |
| Area Urbana | 0 | 1 | 0 | 9 | 0 | 0 | 10 |
| Nubes | 1 | 0 | 0 | 1 | 10 | 0 | 12 |
| Sombras | 0 | 0 | 1 | 0 | 0 | 7 | 8 |
| Total | 25 | 40 | 47 | 10 | 10 | 8 | 140 |
Adicionalmente, A partir de la matriz de confusión se generaron otros índices de calidad como: la precisión general de la clasificación la cual obtuvo un resultado de 0,84 y un índice Kappa de 0,79, este último, conforme a lo sugerido por Jensen la clasificación presenta un acuerdo moderado, mientras que conforme a la Landis, J. R., & Koch, G. G tiene una concordancia considerable.
De manera puntual las clases presentaron las precisiones expresadas en la tabla 7, la clase cultivos presenta mayores errores de comisión con un 25%, y simultaneamente presenta mayor porcentaje de errores de omisión con un 19%.
Tabla 5 Indicadores de calidad por clase
| Clase | Calidad del Consumidor | Error de Omisión | Calidad del Usuario | Error de Comisión |
|---|---|---|---|---|
| Pastos | 0.84 | 0.16 | 0.88 | 0.12 |
| Cultivos | 0.75 | 0.25 | 0.81 | 0.19 |
| Bosque | 0.87 | 0.13 | 0.84 | 0.16 |
| Area Urbana | 0.90 | 0.10 | 0.90 | 0.10 |
| Nubes | 1.00 | 0.00 | 0.83 | 0.17 |
| Sombras | 0.88 | 0.12 | 0.88 | 0.12 |
3.2.2 Clasificación año 2015
La tabla 6, muestra la matriz de confusión obtenida a partir de la comparación de la muestra de validación con la calsificación realizada para el año 2015, en esta se puede evidenciar que la clase pastos presenta pocos erreores de confusión, mientras que la clase cultivos presenta mayor confusión con la clase Bosque y en contraste la clase bosque presenta confusión con la clase pastos.
Tabla 6 Matriz de confusión para la clasificación del año 2000
| Clase | Pastos | Cultivos | Bosque | Area Urbana | Nubes | Sombras | Total |
|---|---|---|---|---|---|---|---|
| Pastos | 28 | 1 | 0 | 0 | 0 | 0 | 29 |
| Cultivos | 7 | 23 | 8 | 0 | 0 | 0 | 38 |
| Bosque | 3 | 1 | 49 | 0 | 0 | 1 | 54 |
| Area Urbana | 0 | 0 | 0 | 11 | 0 | 0 | 11 |
| Nubes | 0 | 0 | 0 | 0 | 2 | 0 | 2 |
| Sombras | 0 | 0 | 2 | 0 | 0 | 4 | 6 |
| Total | 38 | 25 | 59 | 11 | 2 | 5 | 140 |
Adicionalmente, A partir de la matriz de confusión se generaron otros índices de calidad como: la precisión general de la clasificación la cual obtuvo un resultado de 0,84 y un índice Kappa de 0,77, este último, conforme a lo sugerido por Jensen la clasificación presenta un acuerdo moderado, mientras que conforme a la Landis, J. R., & Koch, G. G tiene una concordancia considerable.
De manera puntual las clases presentaron las precisiones expresadas en la tabla 7, que en la clasificación la clase pastos presenta mayores errores de comisión con un 26%, mientras que en la clase cultivos presenta mayor porcentaje de errores de omisión con un 39%. Observando los indicadores y evaluando la matriz de confusión se sugiere que probablemente que un porcentaje de lo clasificado como Pastos y bosque en realidad pertenece a la clase cultivos.
Tabla 7 Indicadores de calidad por clase
| Clase | Calidad del Usuario | Error de Comisión | Calidad del Productor | Error de Omisión |
|---|---|---|---|---|
| Pastos | 0.74 | 0.26 | 0.97 | 0.03 |
| Cultivos | 0.92 | 0.08 | 0.61 | 0.39 |
| Bosque | 0.83 | 0.17 | 0.91 | 0.09 |
| Area Urbana | 1.00 | 0.00 | 1.00 | 0.00 |
| Nubes | 1.00 | 0.00 | 1.00 | 0.00 |
| Sombras | 0.80 | 0.20 | 0.67 | 0.33 |
3.3 Análisis en el cambio en la cobertura
Para realizar la comparacion de las dos clasificaciones se creo una tabla de contingencia ó matriz de tabulación cruzada, en las filas se rlaciona la cobertura del año 2015 y en las columnas se relaciona la cobertura del año 2000.
Tabla 8 Índicadores de calidad por clase
| 2 | 3 | 4 | 5 | 6 | 7 | |
|---|---|---|---|---|---|---|
| 2 | 201323 | 198479 | 148866 | 1811 | 28121 | 8965 |
| 3 | 69705 | 185594 | 196547 | 1154 | 27464 | 16325 |
| 4 | 55703 | 205134 | 473527 | 1975 | 63319 | 25269 |
| 5 | 11483 | 4956 | 4358 | 2399 | 3340 | 237 |
| 6 | 4713 | 3177 | 3100 | 437 | 16998 | 487 |
| 7 | 4353 | 4501 | 9345 | 288 | 29818 | 4841 |
De acuerdo a la anterior tabla se puede sugerir que la clase con mayor número de pixeles coincidentes entre los dos años es la clase 4, la cual corresponde a bosques y la que menos menor cantidad de pixeles coincidentes fue para la clase 5 la cual corresponde a las áreas urbanas.
Figura 5. Detalles de los cambios por catergorías
La figura 5 muestra que los cambios más significativos involucraron las siguientes clases: Clase 3 - Cultivos y Clase 4- Bosques.
En la tabla 8 se puede apreciar que las coberturas a nivel general tuvieron un cambio del 56,2%
Tabla 8 Porcentajes de cambio a nivel general
| Resolution | Quantity | Exchange | Shift | Overall |
|---|---|---|---|---|
| 8.98e-05 | 12.83348 | 35.40388 | 7.925526 | 56.16289 |
La tabla 9 expresa algunos indicadores de los cambios presentados por clase, por ejemplo la columna “Omission” muestra la perdida de pixeles, la columna “Agreement” los pixeles que no tienen cambios y la columna “Comission” la gananacia de pixeles. Conforma a lo anterior se puede deducir que las clases pastos y Area urbana aumantaron considerablemente el área en el año 2015 con respecto al año 2000.
Tabla 9 Cambios discriminados por clase| Category | Omission | Agreement | Comission | Quantity | Exchange | Shift |
|---|---|---|---|---|---|---|
| 2 | 145957 | 201323 | 386242 | 240285 | 272570 | 19344 |
| 3 | 416247 | 185594 | 311195 | 105052 | 550168 | 72222 |
| 4 | 362216 | 473527 | 351400 | 10816 | 533340 | 169460 |
| 5 | 5665 | 2399 | 24374 | 18709 | 11228 | 102 |
| 6 | 152062 | 16998 | 11914 | 140148 | 23828 | 0 |
| 7 | 51283 | 4841 | 48305 | 2978 | 37846 | 58764 |
| Overall | 1133430 | 884682 | 1133430 | 258994 | 714490 | 159946 |
3.4 Análisis en el cambio en la cobertura
3.4.1 Pastos
Figura 6. Cambios en la clase pastos
La figura 6 muestra la localización de los cambios en la clase pastos en el área de estudio, en Verde se observa los pixeles donde no cambio la cobertura, en rojo las áreas donde hubo perdida de cobertura, en Azul donde hubo ganancia de cobertura. Como Se observa la ganancia de la cobertura pastos concentra en el occidente del área de estudio.
La clase pastos presento un área en ganancia aproximada a 3458 ha, un área de perdida aproximada a 1355 ha y persistieron en la misma zona 1993 ha, esto indica que aunque hubo perdida de cobertura, la ganancia fue mayor, por tanto se puede afirmar que en el año 2015 incremento el área de pastos con respecto al año 2000.
3.4.2 Cultivos
Figra 7. Cambios en la clase cultivos
La figura 7 muestra la localización de los cambios en la clase cultivos en el área de estudio, en Verde se observa los pixeles donde no cambio la cobertura, en rojo las areas donde hubor perdida de cobertura, en Azul donde hubo ganacia de coberturra. Como Se observa las perdidas de la coberura se distribuyeron en toda el area de estudio, mientras que las ganacias se concentran en el oriente.
La clase cultivos presento un área en ganancia aproximada a 2649 ha, un área de perdida aproximada a 4046 ha y persistieron en la misma zona 1838 ha, esto indica que hubo perdida de cobertura mayor a la ganancia, por tanto, se puede afirmar que en el año 2015 disminuyo el área de cultivos con respecto al año 2000.
3.4.3 Bosque
Figra 8. Cambios en la clase bosques
La figura 8 muestra la localización de los cambios en la clase bosques en el área de estudio, en Verde se observa los pixeles donde no cambio la cobertura, en rojo las áreas donde hubo perdida de cobertura, en Azul donde hubo ganancia de cobertura. Como se observa las pérdidas de la cobertura se concentraron al occidente y centro del área de estudio, mientras que las ganancias se concentran en las zona de montaña posiblemente derivado de las estrategias de conservación en el cerro La Popa y la cuchilla Peñas Blancas, liderada por la Corporación Autónoma de Cundinamarca y la alcaldía municipal.
La clase bosques presento un área en ganancia aproximada a 2602 ha, un área de perdida aproximada a 3646 ha y persistieron en la misma zona 4690 ha, esto indica que la perdida de cobertura fue ligeramente a la ganancia, por tanto, se puede afirmar que en el año 2015 disminuyo el área de bosques con respecto al año 2000.
3.4.4 Area Urbana
Figra 9. Cambios en la clase área urbana
La figura 8 muestra la localización de los cambios en la clase área urbana en el área de estudio, en Verde se observa los pixeles donde no cambio la cobertura, en rojo las áreas donde hubo perdida de cobertura, en Azul donde hubo ganancia de cobertura. Como se observa las pérdidas de la cobertura son muy pequeñas, mientras que las ganancias se concentran cerca a la cabecera municipal, igualmente es posible que algunas zonas de suelo desnudo se hallan clasificado en esta clase provocando sesgo en el análisis.
La clase área urbana presento un área en ganancia aproximada a 206 ha, un área de perdida aproximada a 49 ha y persistieron en la misma zona 24 ha, esto indica que aunque hubo perdida de cobertura fue mayor a la ganancia, por tanto, se puede afirmar que en el año 2015 aumento el área urbana con respecto al año 2000.
4 Discusión
A partir del análisis realizado se puede identificar que aumentaron significativamente las áreas de pastos mientras que se presentó una reducción en la cobertura de cultivos, por otra parte, la cobertura de bosques logra equilibrar las áreas perdidas con las áreas ganadas. estos resultados se asemejan al os obtenidos por Mora Martínez, G. (2016), en el estudio realizado en las áreas de influencia de las reservas de Cerro Quininí y Cuchilla Peñas Blancas, donde indican que existe un incremento paulatino de pastos y la disminución de áreas agrícolas al mismo tiempo que los bosques recuperan área en zonas que fueron de uso pecuario y agrícola en años anteriores.
Por otro Hansen & Loveland (2012) plantearon la necesidad de herramientas que favorezcan la sistematización de los procesos de las imágenes satelitales, permitiendo superara a los países de limitaciones de procesamiento, igualmente, resaltan el potencial de sistemas emergentes como GEE, los cuales favorecen la accesibilidad, capacidades de iteración, análisis de productos y reduciendo la latencia de la entrega del producto. Este análisis realizado ocho después puede afirmar que en efecto GEE mejora el procesamiento de imágenes satelitales y además facilita el acceso a una amplia colección beneficiando el desarrollo de estudios con carácter multitemporal como este.
5 Conclusiones
El análisis anterior permite establecer que en el municipio de Viotá se presentaron Cambios significativos en la cobertura entre el año 2005 y el año 2015. las coberturas pastos y áreas urbanas presentan aumentos en su área mientras que los cultivos disminuyen en su área, por otra parte, la cobertura de bosques, aunque el área no presenta cambios significativos entre las dos fechas, evaluando los cambios detalladamente, se puede establecer que se produce una compensación entre las áreas perdidas y ganadas. Por tanto, el estudio es viable para evaluar las dinámicas particulares de cada clase.
En cuanto a la calidad de la clasificación, en las dos fechas se presentaron errores de confusión entre la clase cultivos y la clase bosques y esto se explica por el tipo de cultivos sembrados en la zona. El municipio de Viotá es una zona de tradición cafetera, donde prevalecen los cultivos bajo sombra y además predominan la variedad de café arábigo y la variedad Colombia, los cuales, se caracteriza por su altura, es probable que estos aspectos sean la causa de las confusiones presentadas en las clasificaciones. Lo anteriormente mencionando puede ser causas de sesgo en el análisis.
El municipio de Viotá es un área que generalmente permanece nublada, lo cual dificulto el proceso de búsqueda de imágenes a pesar de que la colección de imágenes de Landsat disponibles en la plataforma Google Earth Engine es bastante amplia. Para el desarrollo de este análisis se trabajó con las imágenes con menor porcentaje de nubes para los dos años y aun así no dejaron de presentarse nubosidades. En vista de esta este aspecto es importante considerar otras fuentes de datos.
6 Referencias
Alcaldía de Viotá. Descripción física. Disponible en: http://www.viota-cundinamarca.gov.co. Acceso en 04 de jun. 2020.
Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31, https://doi.org/10.1016/j.isprsjprs.2016.01.011
Google. (2020). Google Earth Engine: A planetary-scale platform for Earth science data & analysis. https://earthengine.google.com/
Hansen, M. C., & Loveland, T. R. (2012). A review of large area monitoring of land cover change using Landsat data. Remote sensing of Environment, 122, 66-74.
Jensen, J. R. (1996). Introductory digital image processing: a remote sensing perspective (No. Ed. 2). Prentice-Hall Inc..
ManojKumar, P., Sugumaran, R., & Zerr, D. (2002). A rule-based classifier using classification and regression tree (CART) approach for urban landscape dynamics. International Geoscience and Remote Sensing Symposium (IGARSS), 2, 1193–1194. https://doi.org/10.1109/igarss.2002.1025880
Mora Martínez, G. M. Análisis de efectividad en la conservación de cobertura boscosa de las reservas forestales nacionales Cerro Quininí y Cuchilla Peñas Blancas, Tibacuy-Cundinamarca.
Millard, K., & Richardson, M. (2015). On the Importance of Training Data Sample Selection in Random Forest Image Classification: A Case Study in Peatland Ecosystem Mapping. Remote Sensing, 7(7), 8489–8515. https://doi.org/10.3390/rs70708489
Nobuyuki Kobayashi, Hiroshi Tani, Xiufeng Wang & Rei Sonobe (2020) Crop classification using spectral indices derived from Sentinel-2A imagery, Journal of Information and Telecommunication, 4:1, 67-90, https://doi.org/10.1080/24751839.2019.1694765
Pontius Jr, R. G., Shusas, E., & McEachern, M. (2004). Detecting important categorical land changes while accounting for persistence. Agriculture, Ecosystems & Environment, 101(2-3), 251-268, https://doi.org/10.1016/j.agee.2003.09.008