GeoAI y segmentación espectral: análisis de territorios extremos mediante K-Means aplicado a imágenes satelitales

GeoAI and spectral segmentation: analysis of extreme land cover using K-Means applied to satellite imagery

Autores/as

Palabras clave:

Análisis espectral, Clustering no supervisado, Teledetección, Urbanismo computacional

Resumen

La investigación determina la viabilidad de segmentación espectral usando el algoritmo K-Means, para clasificación e identificación de patrones territoriales, mediante el uso de imágenes satelitales RGB. La selección de los territorios parte de la premisa de variedad morfológica, así como de su diversidad espectral, permitiendo evaluar el desempeño del clustering en escenarios complejos, Definiendo cuatro territorios con distintas características: área afectada por erupción volcánica de La Palma en España 2021, litoral de Bangladesh 2023, lagos efímeros en el Sahara 2025 y Valles Secos de McMurdo en la Antártida. El objetivo fue analizar como el clustering no supervisado contribuye al reconocimiento automático de estructuras espaciales bajo condiciones ambientales contrastantes. La metodología se fundamentó en el procesamiento de imágenes RGB, conversión a matrices numéricas y uso de K-Means, seguido de reconstrucción visual. Los resultados evidencian la capacidad del algoritmo para reducir complejidad cromática, agrupar píxeles según similitudes espectrales, revelar patrones territoriales asociados a textura, cambios superficiales, gradientes ambientales y unidades estructurales diferenciadas. Los hallazgos demuestran que la segmentación no supervisada constituye un recurso valioso para el urbanismo computacional y planificación territorial, especialmente donde se requieren métodos accesibles y replicables capaces de aportar interpretaciones ágiles, y recomendaciones para futuras aplicaciones en análisis urbano-territorial.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Guillermo Guzmán-Chávez, Pontificia Universidad Católica del Ecuador

Arquitecto por la Pontificia Universidad Católica del Ecuador Ibarra, Magister en urbanismo mención en gobernanza y planificación urbana con enfoque al cambio climático por la Pontificia Universidad Católica del Ecuador, Especialista en teledetección por la Universidad Rey Juan Carlos de España, Docente a tiempo completo y coordinador de investigación de la Pontificia Universidad Católica del Ecuador Ibarra en la Escuela de Hábitat, Ingenio y Creatividad, Líder del Grupo de Investigación Estudios del Territorio y Hábitat (TERRHAB), Responsable de proyectos en RED y con Financiamiento externo de la Pontificia Universidad Católica del Ecuador Ibarra

Citas

Ahmed, M., Seraj, R., & Islam, S. M. S. (2020). The k-means Algorithm: A Comprehensive Survey and Performance Evaluation. Electronics, 9(8), 1295. https://doi.org/10.3390/electronics9081295

Batty, M. (2021). Inventing future cities. https://mitpress.mit.edu/9780262038959/inventing-future-cities/

Biljecki, F., & Ito, K. (2021). Street view imagery in urban analytics and GIS: A review. Landscape and Urban Planning, 215, 104217. https://doi.org/10.1016/j.landurbplan.2021.104217

Bushra, S., Mubbin, M., Haseeb, M., Tahir, Z., Hassan, S., Kucher, D., Kucher, O., & Al-Wadud, M. Multisensor Remote Sensing and AI-Driven Analysis for Coastal and Urban Resilience Classification. IEEE Journal of selected topics in applied earth observations and remote sensing, 18, 9166–9180. https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10938888

Hamada, Y., O'Connor, B. L., Orr, A. B., & Wuthrich, K. K. (2016). Mapping ephemeral stream networks in desert environments using very-high-spatial-resolution multispectral remote sensing. Journal of Arid Environments, 130, 40–48. https://doi.org/10.1016/j.jaridenv.2016.03.005

He, C., Wei, A., Shi, P., Zhang, Q., & Zhao, Y. (2011). Detecting land-use/land-cover change in rural–urban fringe areas using extended change-vector analysis. International Journal of Applied Earth Observation and Geoinformation, 13(4), 572–585. https://doi.org/10.1016/j.jag.2011.03.002

Ikotun, A. M., Ezugwu, A. E., Abualigah, L., Abuhaija, B., & Heming, J. (2023). K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data. Information Sciences, 622, 178–210. https://doi.org/10.1016/j.ins.2022.11.139

Ioannilli, M., Paregiani, A. (2008). Automated Unsupervised Geomorphometric Classification of Earth Surface for Landslide Susceptibility Assessment. In: Gervasi, O., Murgante, B., Laganà, A., Taniar, D., Mun, Y., Gavrilova, M.L. (eds) Computational Science and Its Applications – ICCSA 2008. ICCSA 2008. Lecture Notes in Computer Science, vol 5072. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-69839-5_21

Li, W., & Hsu, C.-Y. (2022). GeoAI for Large-Scale Image Analysis and Machine Vision: Recent Progress of Artificial Intelligence in Geography. ISPRS International Journal of Geo-Information, 11(7), 385. https://doi.org/10.3390/ijgi11070385

Liu, Y., Liu, S., Xu, J., Wang, Y., Tan, G., Li, D., & Fan, B. (2021). A new clustering algorithm toward building segmentation from aerial images by utilizing RGB-component differences. Earth and Space Science, 8(8), e2020EA001571. https://doi.org/10.1029/2020EA001571

Metzler, A. B., Nathvani, R., Sharmanska, V., Bai, W., Moulds, S., Owoo, N. S., Fynn, I. E. M., Muller, E., Dufitimana, E., Akara, G. K., Owusu, G., Agyei-Mensah, S., & Ezzati, M. (2025). Unsupervised deep clustering of high-resolution satellite imagery reveals phenotypes of urban development in Sub-Saharan Africa. Science of The Total Environment, 988, 179739. https://doi.org/10.1016/j.scitotenv.2025.179739

Na, S., Xumin, L., & Yong, G. (2010). Research on k-means clustering algorithm: An improved k-means clustering algorithm. 2010 Third International Symposium on Intelligent Information Technology and Security Informatics (pp. 63–67). IEEE. https://doi.org/10.1109/IITSI.2010.74

Oyekola, M. A., & Adewuyi, G. K. (2018). Unsupervised classification in land cover types using remote sensing and GIS techniques. International Journal of Science and Engineering Investigations, 7(72), 11-18. ISSN 2251-8843.

Ramírez-Juidias E, Antón D. Geospatial Analysis of the Roman Site of Munigua Based on RGB Airborne Imagery. Remote Sensing. 2025; 17(18):3224. https://doi.org/10.3390/rs17183224

Vachmanus, S., Ravankar, A. A., Emaru, T., & Kobayashi, Y. (2021). An evaluation of RGB-thermal image segmentation for snowy road environment. In 2021 IEEE International Conference on Mechatronics and Automation (ICMA) (pp. 224–230). IEEE. https://doi.org/10.1109/ICMA52036.2021.9512708

Descargas

Publicado

2026-05-30

Cómo citar

Guzmán-Chávez, G. (2026). GeoAI y segmentación espectral: análisis de territorios extremos mediante K-Means aplicado a imágenes satelitales: GeoAI and spectral segmentation: analysis of extreme land cover using K-Means applied to satellite imagery. Revista Crítica Con Ciencia, 4(Esp), 98–126. Recuperado a partir de https://uptvallesdeltuy.com/ojs/index.php/revista_criticaconciencia/article/view/248

Número

Vol. 4 Núm. Esp (2026): Revista Crítica con Ciencia

Sección

Artículos

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.

Revista Crítica con Cienciase adherida a la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0. Bajo esta licencia, otros pueden remezclar, retocar y crear a partir de su trabajo con fines no comerciales, siempre y cuando le atribuyan el crédito de la creación original. Sus nuevas obras deben estar bajo una licencia idéntica a la que cubre la obra original. Para más detalles sobre esta licencia, visite https://creativecommons.org/licenses/by-nc-sa/4.0/

Al publicar en nuestra revista, los autores aceptan estas condiciones donde otros pueden compartir, uso y adaptar su trabajo, siempre que se realice sin fines comerciales y se otorgue el crédito correspondiente a la obra publicada originalmente en la Revista Crítica con Ciencia