
Fundamento de la Clasificación Supervisada frente a la No Supervisada
La clasificación supervisada constituye el estándar metodológico en estudios de impacto ambiental (EIA), auditorías de deforestación y formulación de Planes de Ordenamiento Territorial (PDOT / POT) cuando se requiere cuantificar con precisión la superficie de categorías territoriales predefinidas. Mientras que los algoritmos no supervisados (como K-Means o ISODATA) agrupan píxeles por pura similitud matemática en clústeres estadísticos sin contexto temático real, la clasificación supervisada opera bajo la guía de un intérprete experto.
En este enfoque guiado, el especialista delimita áreas representativas y homogéneas sobre la imagen satelital denominadas Regiones de Interés (ROIs). El algoritmo analiza los niveles digitales o valores de reflectancia de estos polígonos de entrenamiento, calcula su firma espectral multivariable (media, varianza y covarianza en cada banda) y clasifica automáticamente el resto de los píxeles de la escena asignándolos a la categoría con mayor probabilidad o menor distancia espectral.
Configuración del Plugin Semi-Automatic Classification Plugin (SCP)
El Semi-Automatic Classification Plugin (SCP), desarrollado por Luca Congedo, es la herramienta de código abierto más completa para teledetección en QGIS. A continuación, se detalla el procedimiento para configurar un proyecto con imágenes Sentinel-2 L2A o Landsat 8-9:
1. Creación del Juego de Bandas (Band Set)
El juego de bandas reúne las capas ráster corregidas atmosféricamente (reflectancia en superficie o BOA):
- Sentinel-2 L2A (10 m y 20 m): Se seleccionan las bandas ópticas e infrarrojas fundamentales: Azul (B2), Verde (B3), Rojo (B4), Borde Rojo (B5, B6, B7), Infrarrojo Cercano NIR (B8 y B8A) e Infrarrojo de Onda Corta SWIR (B11 y B12).
- Landsat 8-9 OLI-2 (30 m): Se apilan las bandas reflectivas B2 a B7, reservando las bandas térmicas para análisis de temperatura de brillo superficial.
En la interfaz de SCP, abre la pestaña Band Set, pulsa el botón de actualización y añade las bandas ordenadas por longitud de onda creciente, asignando el sensor correspondiente en la lista desplegable de calibración.
2. Estructura Dual de Clases: Macroclases y Clases Detalladas
Una de las grandes ventajas de SCP es su arquitectura jerárquica de dos niveles, que permite mapear tanto coberturas generales como tipologías específicas:
| Macroclase (MC ID) | Nombre de Macroclase | Clase Detallada (C ID) | Nombre de Clase Detallada |
|---|---|---|---|
| 1 | Vegetación Natural | 11 | Bosque Nativo Denso |
| 1 | Vegetación Natural | 12 | Matorral y Pastizal de Altura |
| 2 | Superficies Hídricas | 21 | Ríos y Cuerpos de Agua Abiertos |
| 3 | Suelo y Tejido Antrópico | 31 | Infraestructura y Tejido Urbano |
| 3 | Suelo y Tejido Antrópico | 32 | Suelo Desnudo y Vías No Pavimentadas |
3. Delimitación de Polígonos de Entrenamiento (ROIs) y Firmas Espectrales
Para digitalizar los polígonos de entrenamiento, activa la herramienta Create a ROI polygon en la barra de herramientas de SCP. Es indispensable seleccionar sectores representativos de cada clase en composiciones en falso color (por ejemplo, Sentinel-2 8-4-3 para vegetación vigorosa o 12-8-4 para humedad y suelo).
Una vez creados los ROIs, pulsa el botón Calculate spectral signatures y abre la ventana Spectral Signature Plot. Esta gráfica multidimensional permite verificar la separabilidad entre firmas. Si las curvas de dos clases se solapan completamente en todas las bandas (especialmente en NIR y SWIR), el algoritmo confundirá ambas coberturas, obligando a reubicar o subdividir los polígonos de muestreo.

Flujo Metodológico de Clasificación Supervisada
El ciclo técnico desde la imagen cruda hasta el producto temático validado se sintetiza en el siguiente flujo estructurado:
Flujo Metodológico de Clasificación Supervisada con SCP en QGIS
↓
2. Creación del archivo de entrenamiento (Training Input) y códigos MC ID / C ID
↓
3. Delimitación de polígonos de entrenamiento (ROIs) y análisis de firmas espectrales
↓
4. Ejecución del algoritmo clasificador (Máxima Verosimilitud / Random Forest)
↓
5. Evaluación de exactitud temática con Matriz de Confusión y Coeficiente Kappa
Comparación Técnica de Algoritmos en SCP
SCP integra diversos algoritmos estadísticos y de aprendizaje automático (Machine Learning). Elegir el método adecuado depende de la heterogeneidad del paisaje y del número de bandas disponibles:
| Algoritmo de Clasificación | Fundamento Matemático | Ventaja Operativa | Limitación en Teledetección | Caso de Uso Recomendado |
|---|---|---|---|---|
| Máxima Verosimilitud (Maximum Likelihood) | Probabilidad gaussiana multivariante basada en medias y matrices de covarianza. | Máxima precisión y robustez estadística en paisajes homogéneos. | Asume distribución normal en todas las bandas; sensible a datos atípicos. | Clasificación clásica de bosques, cuerpos de agua y cultivos continuos. |
| Distancia Mínima (Minimum Distance) | Distancia euclidiana vectorial entre el píxel desconocido y el centroide de clase. | Bajo coste computacional y ejecución instantánea en escenas muy extensas. | No pondera la dispersión ni la varianza interna de cada categoría. | Mapeos exploratorios preliminares con pocas clases bien diferenciadas. |
| Mapeador de Ángulo Espectral (SAM) | Ángulo n-dimensional entre el vector del píxel y el vector de referencia espectral. | Invariable ante sombras topográficas o cambios de iluminación solar. | Insensible a diferencias de albedo o brillo absoluto entre coberturas. | Geología, discriminación mineral y teledetección en zonas de alta montaña. |
| Bosques Aleatorios (Random Forest) | Ensamble de múltiples árboles de decisión con votación mayoritaria (Bagging). | Excelente rendimiento en alta dimensionalidad; no asume normalidad estadística. | Requiere mayor volumen de datos de entrenamiento para evitar sobreajuste. | Mosaicos complejos con mezclas agroforestales y tejido periurbano. |
Evaluación de Exactitud Temática: Coeficiente Kappa
Ningún mapa de cobertura derivado de satélite tiene validez técnica ni legal en un Estudio de Impacto Ambiental sin una matriz de confusión que certifique su exactitud. El estadístico estándar para medir la concordancia es el Coeficiente Kappa de Cohen:
Coeficiente de Concordancia Kappa de Cohen (κ)
Kappa = (P_o - P_e) / (1 - P_e)
Donde P_o representa la proporción de exactitud observada total (suma de la diagonal principal de la matriz de confusión dividida entre el total de puntos de control) y P_e es la concordancia esperada puramente por azar. Valores de Kappa superiores a 0.80 indican una clasificación casi perfecta según el baremo de Landis y Koch.
Criterio Profesional de Campo
En la práctica de la teledetección aplicada a estudios ambientales y auditorías de cobertura vegetal, un error crítico del operador novato es delimitar polígonos de entrenamiento (ROIs) demasiado grandes que engloban píxeles mixtos o zonas de borde. Estos polígonos contaminados introducen dispersión espuria en las firmas espectrales, provocando solapamientos masivos entre bosques y matorrales. La buena práctica metodológica exige muestrear polígonos pequeños pero puros en el centro de las manchas de cobertura, verificando siempre que la desviación estándar de la firma no supere el 10 % en las bandas del infrarrojo.
Post-Procesamiento y Validación Rigurosa
El ráster recién clasificado suele presentar el denominado «efecto sal y pimienta» (píxeles aislados dispersos por ruido espectral). Para obtener una cartografía apta para impresión y cálculo de superficies:
- Filtro de Moda (Majority Filter): Reemplaza el valor de píxeles aislados por la clase mayoritaria en una vecindad de 3×3 píxeles en la Caja de Procesos de QGIS.
- Filtrado de Tamiz (Sieve): Elimina polígonos o agregados de píxeles menores a un umbral mínimo cartografiable (por ejemplo, manchas menores a 10 píxeles o 1.000 m2).
- Vectorización limpia: Conversión del ráster filtrado a polígonos GeoPackage para su integración en el PDOT o cálculo de compensaciones forestales.
En el Diseñador de Impresión de QGIS, la lámina cartográfica final integra las coberturas temáticas filtradas con transparencia sobre la imagen satelital base y su leyenda oficial:

¿Quieres dominar QGIS desde cero a nivel profesional?
Para complementar este análisis técnico, te recomendamos este curso práctico paso a paso para dominar herramientas cartográficas, análisis espacial y elaboración de mapas temáticos.
Ver detalles del Curso de QGIS →Preguntas frecuentes sobre clasificación supervisada en QGIS
¿Cuál es la diferencia principal entre MC ID y C ID en SCP?
El MC_ID agrupa macroclases generales de primer nivel (como Vegetación o Agua), mientras que el C_ID define subclases específicas (como Bosque de Galería o Pastizal). Esto permite reclasificar el mapa a nivel macro o de detalle con un solo clic.
¿Cuántos polígonos de entrenamiento (ROIs) se deben digitalizar por clase?
Se recomienda un mínimo de 15 a 20 ROIs bien distribuidos geográficamente por cada categoría temática para capturar la variabilidad fenológica y topográfica de la escena.
¿Es necesario utilizar todas las bandas de la imagen satelital?
No siempre. Utilizar bandas altamente correlacionadas incrementa el tiempo de cómputo y puede degradar la clasificación. Para vegetación, la combinación de bandas visibles (B2, B3, B4), NIR (B8) y SWIR (B11, B12) ofrece la máxima separabilidad.
¿Cómo se obtienen los puntos de verdad terreno (Ground Truth) para la matriz de confusión?
A través de levantamientos de campo con GPS submétrico, ortofotos de muy alta resolución obtenidas con drones o mediante fotointerpretación visual de escenas de alta resolución temporal (Google Satellite / Planet NICFI).
