Upegui Cardona, Erika SofiaGualteros Sanchez, Brayan Steven2025-09-082025-09-082025-08-21http://hdl.handle.net/11349/98862En los últimos años los Sistemas de información Geográfica (SIG) han tenido un avance significativo en el desarrollo de los métodos de clasificación supervisada, dado que han venido implementando métodos computacionales los cuales permiten generar clasificaciones de coberturas en imágenes satelitales de manera automática, rápida, precisa y económica. En este trabajo se presentan y comparan dos métodos de clasificación supervisada, con el propósito de evaluar su eficiencia en la generación de mapas de coberturas del suelo a partir de imágenes Sentinel-2 del municipio de Facatativá. El primer modelo que se desarrolló fue el modelo Máquinas de Soporte Vectorial (SVM) el cual se considera un método clásico de Machine learning o Aprendizaje automático. El segundo modelo que se implementó hace parte del Aprendizaje profundo o Deep learning y se le conoce como U-Net. Para establecer la exactitud y confiabilidad de la clasificación obtenida por cada modelo se calcularon diferentes métricas de evaluación tales como, la precisión global, la precisión por clase, el Recall y el índice Kappa. Los resultados obtenidos por las métricas de evaluación arrojaron que el modelo que mejor realizo la clasificación de coberturas fue el modelo de Máquinas de Soporte Vectorial (SVM) con una precisión global del 94.76% y con un índice Kappa igual a 0.94.In recent years, Geographic Information Systems (GIS) have made significant progress in the development of supervised classification methods, as they have been implementing computational approaches that allow for the automatic, fast, accurate, and cost-effective classification of land cover in satellite images. In this work, two supervised classification methods are presented and compared, with the aim of evaluating their efficiency in generating land cover maps from Sentinel-2 imagery of the municipality of Facatativá. The first model developed was the Support Vector Machine (SVM), which is considered a classical Machine Learning method. The second model implemented belongs to the field of Deep Learning and is known as U-Net. To establish the accuracy and reliability of the classification obtained by each model, different evaluation metrics were calculated, such as overall accuracy, per-class accuracy, recall, and the Kappa index. The results obtained from these evaluation metrics showed that the model that achieved the best land cover classification was the Support Vector Machine (SVM), with an overall accuracy of 94.76% and a Kappa index of 0.94.pdfspaClasificación de coberturasAprendizaje profundoAprendizaje automáticoMáquinas de Soporte VectorialU-NetbachelorThesisIngeniería Catastral y Geodesia -- Tesis y disertaciones académicasOpenAccessLand Cover ClassificationDeep LearningMachine LearningSupport Vector MachineU-NetAbierto (Texto Completo)