论文信息

Armando Vargas Céspedes / Saúl Brenes Gamboa

InterSedes

论文解读

AI 辅助整理
方法
GEE平台Sentinel-2影像,对比随机森林、CART、最小距离三种分类算法
发现
随机森林精度最高82.95%,林地占主导,其次牧草地、甘蔗和咖啡。
机会点
可扩展到多时相作物分类与适宜性动态监测,并比较更多机器学习算法在热带农业区的稳健性。

论文摘要

土地利用与覆盖的表征对于农业区域和自然资源的管理与监测至关重要,有助于各类主体进行决策。本研究旨在利用遥感技术提供主要农业生产系统的最新信息,为参与土地管理的政府和非政府实体的决策提供支持。研究方法为在谷歌地球引擎(Google Earth Engine,GEE)平台上改编计算机代码,利用2021年的Sentinel-2影像和实地调查数据。对影像镶嵌图应用了三种分类算法并验证其精度,其中“随机森林”(Random Forest)的总体精度最高,达82.95%,其次为“分类与回归树”(Classification and Regression Tree,CART),为81.50%,最后为“最小距离法”(Minimum Distance),为57.51%。根据“随机森林”的结果,识别出的主要土地利用类型为森林覆盖(136,162.78公顷),其次为牧草地类(25,497.24公顷)、甘蔗种植(11,081.02公顷)和咖啡种植(5,512.17公顷)。此外,还生成了甘蔗和咖啡作物的两幅农业适宜性图,以识别其发展的潜在区域和非潜在区域。本研究鼓励将这些工具应用于国家层面的土地管理,惠及农业部门。

全文

InterSedes

Macrocompetencias y estrategias de
aprendizaje de estudiantes en lenguas
extranjeras en Costa Rica
Kuok W a Chao Chao
María del Pilar Cambronero Artavia
Laura Castro Esquivel
DOI: https://doi.org/10.15517/tqbf1h88
Artículo académico (sección arbitrada)
Vol. 26, núm. 55 (2026)
¿Cómo citar este artículo?
Chao Chao, K., Artavia Cambronero, M. y Castro Esquivel, L. (2025).
Macrocompetencias y estrategias de aprendizaje en lenguas extranjeras en
Costa Rica. Revista InterSedes 26(55). https://doi.org/10.15517/tqbf1h88
Artículo académico (sección arbitrada)
Macrocompetencias y estrategias de
aprendizaje de estudiantes en lenguas
extranjeras en Costa Rica
Kuok W a Chao Chao
María del Pilar Cambronero Artavia
Laura Castro Esquivel
DOI: https://doi.org/10.15517/tqbf1h88
Artículo académico (sección arbitrada)
Vol. 26, núm. 55 (2026)
¿Cómo citar este artículo?
Chao Chao, K., Artavia Cambronero, M. y Castro Esquivel, L. (2025).
Macrocompetencias y estrategias de aprendizaje en lenguas extranjeras en
Costa Rica. Revista InterSedes 26(55). https://doi.org/10.15517/tqbf1h88
Macrocompetencias y estrategias de
aprendizaje de estudiantes en lenguas
extranjeras en Costa Rica
Kuok W a Chao Chao
María del Pilar Cambronero Artavia
Laura Castro Esquivel
DOI: https://doi.org/10.15517/tqbf1h88
Artículo académico (sección arbitrada)
Vol. 26, núm. 55 (2026)
¿Cómo citar este artículo?
Chao Chao, K., Artavia Cambronero, M. y Castro Esquivel, L. (2025).
Macrocompetencias y estrategias de aprendizaje en lenguas extranjeras en
Costa Rica. Revista InterSedes 26(55). https://doi.org/10.15517/tqbf1h88
Macrocompetencias y estrategias de
aprendizaje de estudiantes en lenguas
extranjeras en Costa Rica
Kuok W a Chao Chao
María del Pilar Cambronero Artavia
Laura Castro Esquivel
DOI: https://doi.org/10.15517/tqbf1h88
Artículo académico (sección arbitrada)
Vol. 26, núm. 55 (2026)
¿Cómo citar este artículo?
Chao Chao, K., Artavia Cambronero, M. y Castro Esquivel, L. (2025).
Macrocompetencias y estrategias de aprendizaje en lenguas extranjeras en
Costa Rica. Revista InterSedes 26(55). https://doi.org/10.15517/tqbf1h88
Vol. 27, núm. especial (2025)
DOI: https://doi.org/10.15517/1c83ga14
¿Cómo citar este artículo?
V argas Céspedes, A. y Brenes Gamboa, S. (2025). Análisis del uso, cobertura
y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante
imágenes Sentinel-2 en 2021. Revista InterSedes, 27(Especial). https://doi.
org/10.15517/1c83ga14
Análisis del uso, cobertura y aptitud
del suelo en Turrialba y Jiménez
(Cartago, Costa Rica) mediante
imágenes Sentinel-2 en 2021
Armando Antonio V argas Céspedes
Saúl Brenes Gamboa

2
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
The characterization of land uses and covers is crucial for
the management and monitoring of agricultural territo-
ries and natural resources to facilitate decision-making
by various entities. This research aimed to provide up -
dated information on the main agroproductive systems
using remote sensing techniques to aid decision-making
for both governmental and non-governmental entities
involved in territory management. The methodology in-
volved adapting computer code in the Google Earth En-
gine (GEE) platform, utilizing Sentinel-2 images from
the year 2021 and field survey data. Three classification
algorithms were applied to the image mosaic, and their
accuracy was validated, with Random Forest showing
the highest overall accuracy at 82,95%, followed by Clas-
sification and Regression T ree (CAR T) at 81,50%, and
finally Minimum Distance at 57,51%. According to the
"Random Forest" results, the main land uses identified
were forest cover (136.162,78 ha), followed by pasture
classes (25.497,24 ha), sugarcane cultivation (11.081,02
ha), and coffee cultivation (5,512.17 ha). Additional -
ly, two agricultural suitability maps were generated for
sugarcane and coffee crops to identify potential and
non-potential areas for their development. The research
encourages the application of these tools for nation -
AbstractResumen
La caracterización de usos y coberturas de la tierra es un
elemento importante para la gestión y el monitoreo de
los territorios agrícolas y los recursos naturales, cuyo fin
es facilitar la toma de decisiones de las diferentes entida-
des. Esta investigación tuvo como objetivo proporcionar
información actualizada sobre los principales sistemas
agroproductivos al utilizar técnicas de teledetección que
facilitan la gestión del territorio. En este sentido, la me -
todología incluyó la adaptación de códigos informáticos
en la plataforma Google Earth Engine (GEE), el uso de
imágenes Sentinel-2 del año 2021 y datos obtenidos de
campo. De manera que se aplicaron tres algoritmos de
clasificación al mosaico de imágenes y se validó su preci-
sión, así pues, el algoritmo “Random Forest” fue el que
presentó la mayor precisión global con un 83.0 %, segui-
do por “Classification and Regression T ree (CAR T)”
con un 81.5 % y, finalmente, “Minimum Distance” con
un 57.5 %. Según los resultados de “Random Forest”, los
principales usos del suelo identificados fueron cobertura
forestal (136,162.78 ha), seguidos de clases de pastizales
(25,497.24 ha), cultivo de caña de azúcar (11,081.02 ha)
y cultivo de café (5,512.17 ha). Además, se generaron
dos mapas de aptitud agrícola para los cultivos de caña
de azúcar y café para identificar áreas potenciales y no
Armando Antonio V argas Céspedes
Ministerio de Agricultura y Ganadería | San José, Costa Rica
armando.vargas@ucr.ac.cr
https://orcid.org/0009-0001-7409-9301
Saúl Brenes Gamboa
Universidad de Costa Rica, Sede del Atlántico | Turrialba, Cartago, Costa Rica
saul.brenes@ucr.ac.cr
https://orcid.org/0000-0002-6923-1371
Analysis of land use, cover and suitability in Turrialba and Jiménez (Cartago, Costa Rica) using
Sentinel-2 images in 2021
Análisis del uso, cobertura y aptitud del suelo en
Turrialba y Jiménez (Cartago, Costa Rica) mediante
imágenes Sentinel-2 en 2021

3
al-level territory management, benefiting the agricultur-
al sector.
Keywords: land uses and coverages, classifier algorithms,
supervised classification, Sentinel-2, Google Earth Engine,
agricultural suitability.
potenciales para el desarrollo de estos cultivos. A partir
de estos resultados, esta investigación promueve la apli -
cación de estas herramientas para la gestión del territorio
a nivel nacional, para beneficio del sector agrícola.
Palabras clave: usos y coberturas del suelo, algoritmos
clasificadores, clasificación supervisada, Sentinel-2, Goo -
gle Earth Engine, aptitud agrícola.
Fecha de recepción: 22/5/2024 * Fecha de aceptación: 21/2/2025

4
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
Introducción
La dinámica y constante transición en los usos y las coberturas del suelo representan una fuente de
desequilibrios ambientales en constante evolución, con repercusiones significativas para la biodiversidad
y la supervivencia humana. Este fenómeno, impulsado por factores como el aumento de la población y la
creciente demanda de recursos para satisfacer las necesidades humanas, resulta en la disminución de bosques
y ecosistemas autóctonos. Los desafíos asociados, como el cambio climático, la seguridad alimentaria y el
bienestar social, instan a la implementación de medidas de monitoreo para comprender las transforma -
ciones globales y anticipar los efectos de las actividades humanas (Group on Earth Observations [GEO],
2013).
La innovación y el uso de herramientas tecnológicas, especialmente la teledetección, surgen como
elementos esenciales en la búsqueda de la protección y del uso sostenible de los recursos terrestres. La
teledetección, a través de la observación espacial de la Tierra, permite obtener, procesar e interpretar
datos provenientes de sensores espaciales, esto al capturar interacciones energéticas como la reflectancia
de las coberturas del suelo (Chuvieco, 2010). En este contexto, los datos satelitales desempeñan un papel
crucial, por lo que se utilizan ampliamente en el ámbito gubernamental para favorecer la gobernabilidad
territorial, monitorear cambios ambientales y avanzar en estudios vinculados a los objetivos de desarrollo
sostenible (Banco Mundial, 2017).
Asimismo, las consecuencias globales debido al desarrollo urbano y la expansión industrial han
provocado cambios significativos, estos cambios, además de afectar la productividad agrícola, intensifican
el cambio climático mediante la sobreexplotación de los mantos acuíferos y la generación de gases de efecto
invernadero (Alvarado-Quiroa y Araya-Rodríguez, 2013; Bazant, 2012). Algunos ejemplos concretos en
Costa Rica que han sido afectados directamente por estos factores son los cultivos de piña, palma aceitera,
granos básicos, caña y café; por lo tanto, se destaca la necesidad de comprender detalladamente la dinámica
del uso del suelo (Secretaría Ejecutiva de Planificación Sectorial Agropecuaria [SEPSA], 2018).
A nivel territorial, los cantones de Turrialba y Jiménez presentan riesgos naturales específicos, tales
como ondas tropicales, fuertes lluvias, altas temperaturas e inundaciones que afectan el desarrollo de los
cultivos; así como, la pérdida de la capacidad productiva de los suelos por erosión, los altos porcentajes de
pendiente y el deficiente manejo de los sistemas agroproductivos que, de manera individual o en conjunto,
disminuyen la productividad de la región. La obtención de información actualizada, veraz y confiable
para la toma de decisiones locales, junto con la automatización de procesos mediante plataformas como
Google Earth Engine (GEE), se evidencia como una tarea urgente para agilizar la recopilación y el análisis
de datos, ya que permite una respuesta más rápida y eficaz ante las necesidades, amenazas ambientales y

5
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
económicas que enfrentan los cantones (Consejo T erritorial de Desarrollo Rural Turrialba-Jiménez, 2015;
Moore y Hansen, 2011).
De modo que el objetivo de la investigación fue proporcionar información actualizada sobre los
principales sistemas agroproductivos, para lo cual se utilizaron técnicas de teledetección con imágenes
Sentinel-2 del año 2021 y la adaptación de códigos informáticos en la plataforma GEE, que facilitan la
gestión del territorio.
Metodología
Área de estudio
Los cantones de Turrialba y Jiménez, ubicados en la provincia de Cartago en el centro-este de
Costa Rica, limitan geográficamente con las provincias de San José y Limón (Figura 1). De igual forma,
comparten similitudes en escenarios naturales, condiciones agroclimáticas y dinámicas poblacionales, por
lo que se agrupan dentro de un mismo territorio. La superficie combinada de ambos cantones es de 1.930
km2, Turrialba representa el 85,8 % (1.657 km 2) y Jiménez el 14,2 % (273 km 2) (Instituto de Desarrollo
Rural [INDER], 2014).
A nivel económico, el Consejo T erritorial de Desarrollo Rural Turrialba-Jiménez (2015) indica
que la actividad económica de mayor predominancia en estas zonas es la agrícola. Así pues, el principal
uso de suelo en el territorio es la cobertura arbórea con aproximadamente un 72,52 %, seguido por los
pastos y otros con un 19,82 %, la caña de azúcar en un tercer lugar con 2,67 % y, por último, el café con
2,58 % de ocupación de la superficie1.
1 Los datos suministrados se tomaron de forma textual del documento original, Consejo T erritorial de Desarrollo Rural Turrialba-
Jiménez (2015), y no hace referencia al resto de porcentaje que hace falta para alcanzar el 100 % de la superficie.

6
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
Figura 1
Área de estudio para la caracterización del uso y cobertura del suelo en los cantones de
Turrialba y Jiménez
Recolección y procesamiento de datos de campo
Se llevaron a cabo giras de campo, en las cuales se seguían las rutas trazadas en imágenes de Google
Earth Pro y la aplicación Google Road. La planificación de rutas se basó en la delimitación de los cantones
descargada del Sistema Nacional de Información T erritorial (SNIT). Durante la recolección de datos en
campo, se registraron tres clases de uso de la tierra en cada estación, ubicada estratégicamente cada kiló -
metro a lo largo de las rutas. En cada una de estas se tomó un punto con un Global Positioning System
(GPS) como dato central y se utilizaron las clases de uso de la tierra a ambos lados de la carretera, se anotó
el azimut y, posteriormente, se tomaron fotografías para validar los datos y garantizar la precisión geoes-
pacial (Aguilar-Martínez, 2019).
Las clases de uso de la tierra se identificaron y se etiquetaron mediante el sistema de clasificación
propuesto por el Sistema Nacional de Monitoreo de Cobertura y Uso de la Tierra y Ecosistemas (SIMO-
CUTE), este sistema tiene varios niveles de clasificación que van de lo general (primer nivel) a lo específico
(cuarto nivel). Por ello, se determinó utilizar el segundo nivel para el manejo y conservación de bosques,
zonas húmedas, vías de transporte e infraestructura; para el caso de agricultura y pastos se utilizó el tercer
nivel, exceptuando el cultivo de café que se identificó hasta el cuarto nivel (CENIGA, 2018).

7
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
Posterior a la fase de campo, los datos del GPS se procesaron y digitalizaron en QGIS. Asimismo,
se utilizó Excel para consolidar la información y corregir posibles errores. Por su parte, la revisión de
coordenadas y clases se efectuó con imágenes de Google Earth Pro, lo cual garantiza la coherencia entre
los datos de campo y la información digital.
A partir de los puntos centrales se recopilaron 167 puntos centrales durante la gira de campo y con
la información digitada en Excel, se procedió a realizar la reproyección de los puntos obtenidos en campo
mediante la aplicación de distintas fórmulas de Excel. La primera (= RADIANES(azimuth)) se realizó
para calcular el ángulo hacia dónde va orientado el punto a reproyectar; luego, con los radianes se aplicó
la siguiente fórmula (= SENO(radianes) ∗ distancia + coordenada “X”) para calcular la nueva coordenada
geográfica de la longitud “X” y por último, para calcular la nueva coordenada geográfica de la latitud “Y”
se aplicó la siguiente fórmula (= COS(radianes) ∗ distancia + coordenada “Y”). Al finalizar este proceso
de reproyección, se obtuvo un total de 1,169 puntos y la identificación de 21 clases en el terreno, según
el sistema establecido por el SIMOCUTE.
Procesamiento de imágenes Sentinel-2 y aplicación de algoritmos de clasificación en la
plataforma GEE
El procesamiento de imágenes se efectuó en GEE, para aprovechar su capacidad de procesamiento
en la nube y su rapidez. Se utilizó un conjunto de scripts preexistentes de la plataforma, diseñados por
diversas personas desarrolladoras y documentados para su adaptación. De igual forma, se seleccionaron
imágenes Sentinel-2 2A con valores BOA (Bottom Of Atmosphere), libre de nubes en un 20 % (valor selec-
cionado según European Space Agency [ESA], 2017), ya que los umbrales, comúnmente utilizados para
el índice de probabilidad de nubes ( Cloud Probability), provienen de las recomendaciones de la librería
s2cloudless, que sugiere valores estrictos (<20 %), estándar (<30 %) y tolerantes (<40-50 %) para filtrado de
nubes en imágenes Sentinel-2), para todo el año 2021. T ras la conformación de un mosaico basado en el
área de estudio y la eliminación de nubes mediante la herramienta Cloud Probability de GEE, se procedió
a la clasificación.
Los datos de campo se dividieron aleatoriamente, por lo que se replicó la metodología de Ávila
(2020); así pues, se destinó el 70 % para entrenar algoritmos y el 30 % para validar la clasificación. T ras
una revisión visual y análisis espectral, se crearon regiones de interés (ROI por su acrónimo en inglés)
(European Space Agency [ESA], 2017). Asimismo, se ajustaron las áreas de entrenamiento para optimizar
la pureza de las ROI. En el caso de clases minoritarias o con menor cantidad de datos recolectados y que
podían presentar confusión entre sí, se unieron en dos grupos llamado otros cultivos (tubérculos, barbe-
cho, otros cultivos y áreas agrícolas heterogéneas) e infraestructura (zona urbana continua, zona urbana

8
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
discontinua y vías de transporte); con ello, se garantiza una mayor cantidad de datos tanto para entrenar
el algoritmo como para validar los resultados.
En cuanto a la clasificación supervisada de las imágenes, se aplicaron los métodos de clasificación
Random Forest, basado en árboles de decisión; Minimum distance classifier, se empleó el proceso de veci-
no más cercano; y Classification and Regression T ree (CAR T), al utilizar árboles de decisión y regresión.
Para el caso de Random Forest y CAR T, se usó una cantidad de 500 árboles de decisión, que se refiere a la
cantidad estadística de predicciones que se generaron a partir de las áreas de entrenamiento en conjunto
con las variables training, label y las bandas seleccionadas. La validación del 30 % restante se llevó a cabo
mediante el método de representatividad, se utilizó un modelo en QGIS y un script de Python desarrollado
por el investigador Daniel Flores Cordero, para el análisis de la exactitud de clasificación por clases y total.
Elaboración de mapas de las principales clases identificadas dentro del área de estudio
Concluido el proceso de clasificación y validación del mosaico de imágenes Sentinel-2 mediante el
algoritmo seleccionado, se procedió al análisis detallado de los resultados obtenidos para cada clase iden-
tificada en campo. Posteriormente, se realizó un análisis cuantitativo al calcular las hectáreas de cada clase
mediante la creación de una nueva columna denominada AREA_HA. Esto facilitó la determinación de
las clases con mayor extensión dentro de la zona de estudio, para ello se empleó la tabla de atributos en el
software de QGIS. De esta manera, la información fue extraída y utilizada para generar un archivo vectorial
que posibilitó la creación de mapas, en donde se visualiza la distribución del sistema agroproductivo en
el área de estudio.
Evaluación de las condiciones agronómicas de los principales sistemas agroproductivos con
respecto a un análisis multicriterio de aptitud agrícola
Luego de clasificar y validar las principales coberturas de suelo, se llevó a cabo un análisis multi-
criterio de aptitud agrícola para las clases de café y caña de azúcar en los cantones de Turrialba y Jiménez.
Este análisis consideró variables climáticas y edáficas, como altitud, pendiente, tipo de suelos, precipita -
ción, pH y temperatura. De igual forma, la investigación incluyó revisiones bibliográficas y consultas con
personas expertas del Instituto del Café de Costa Rica (ICAFE) y la Liga Agrícola Industrial de la Caña de
Azúcar (LAICA), esto para definir valores óptimos, medios y deficitarios para cada variable. Finalmente,
se categorizaron según las condiciones mostradas en las T ablas 1 y 2.

9
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
Tabla 1
V ariables adaptadas para el cultivo de caña de azúcar en Jiménez y Turrialba
Variables Óptimo Medio Deficitario Peso ponderado
Tipo suelos, orden Andisol Inceptisol Ultisol, Entisol, Entisol/Andisol 17
pH 6 - 7 >5 - <6 y >7 - 7,5 <5 - >7,5 12
Pendiente (%) 0 - 12 % >12 - 20 % >20 % 17
Altitud (msnm) 300 - 750 750 - 1300 >1300 12
Precipitación (mm) 2000 - 2500 >1500 - <2000 y >2500 - <3000 <1500 - >3000 25
Temperatura (°C) 22 - 30 17 - <22 y >30 - 36 <17 - >36 17
Nota. Comunicación personal-validación de datos edafoclimáticos requeridos para el desarrollo del cultivo de caña, por
Calderón (2022).
Tabla 2
V ariables adaptadas para el cultivo de café en Jiménez y Turrialba
Variables Óptimo Medio Deficitario Peso ponderado
Tipo suelos, orden Andisol Inceptisoles Ultisol 15
pH 5,5 - 6,5 5 - <5,5 y >6,5 - 6,6 <5 y >6,6 12
Pendiente (%) 10 - 30 % 30 - 35 % >35 % 11
Altitud (msnm) 700 - 1700 500 - <700 y >1700 - 1800 <500 y >1800 22
Precipitación (mm) 1500 - 3000 1000 - >1500 <1000 y >3000 20
Temperatura (°C) 17 - 25 15 - 17 y >25 - 28 <15 - >28 20
Nota. Comunicación personal-validación de datos edafoclimáticos requeridos para el desarrollo del cultivo de café, por
Poveda y Dittel (2022).
Las capas ráster de altitud, pendiente, precipitación y temperatura se generaron con una resolu-
ción espacial de 10 metros, con el objetivo de homogenizar la resolución con las demás capas creadas en
los procesos anteriores; dichos ráster se crearon en la plataforma de GEE a partir de la cantidad de datos
y la capacidad de procesamiento que tiene en la nube.

10
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
La altitud se obtuvo de modelos de elevación digital de la NASA y la pendiente se calculó al aplicar
fórmulas matemáticas dentro del modelo de elevación seleccionado. La precipitación y temperatura se
interpolaron mediante el método Kriging, al usar datos de estaciones meteorológicas activas del Instituto
Meteorológico Nacional (IMN) en el territorio de estudio. Por su parte, los datos de pH se obtuvieron de
la plataforma Soilgrids y la capa de órdenes de suelo se descargó del Centro de Investigación Agronómica
de la Universidad de Costa Rica (CIA-UCR).
Posteriormente, se generaron mapas de aptitud en ArcGIS, para ello se utilizó la herramienta
Reclassify y se aplicó W eighted Overlay a seis capas ráster ponderadas según la importancia relativa esta-
blecida por las personas expertas. De igual manera, se ajustó la escala de evaluación y se obtuvieron mapas
de aptitud agrícola. Finalmente, se realizaron estadísticas mediante la intersección entre la capa del cultivo
y el mapa de aptitud para extraer áreas coincidentes en ubicación espacial, de manera que se conservaron
los atributos de ambas capas.
Resultados y discusión
Evaluación de desempeño de algoritmos de clasificación
En la evaluación de desempeño de los algoritmos de clasificación, donde se llevó a cabo la vali -
dación por representatividad para cada uno de los mosaicos clasificados por los algoritmos Minimum
Distance, Random Forest y Classification and Regression T ree (CAR T). Los resultados indicaron que el
algoritmo Random Forest alcanzó el mayor porcentaje de exactitud global, con un 82,95 %, seguido por
Classification and Regression T ree (CAR T) con un 81,50 %, y finalmente “Minimum Distance” con un
57,51 %.
El análisis detallado de las clases para el algoritmo más exacto reveló que, individualmente, las
categorías de aguas continentales (100 %), playas y arenales (100 %), pastos limpios (95,05 %), bosque
secundario (90,59 %), caña (89,36 %), infraestructura (82,14 %) y café con sombra (81,82 %) presentaron
altos porcentajes de exactitud, los cuales varían entre el 81,82 % y el 100 %. Sin embargo, algunas clases,
como otros terrenos y plantación forestal, mostraron resultados menos precisos, con un 0 % y un 40 %
de exactitud, respectivamente, como se muestra en la T abla 3.

11
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
Tabla 3
Resultados de exactitud obtenidos para cada una de las clases y algoritmos de clasificación
Algoritmo clasificador Random Forest Minimum Distance CART
Código Clase Exactitud (%)
1100 Bosque maduro 50,00 50,00 50,00
1300 Bosque secundario 90,59 62,35 90,59
1600 Plantación forestal 40,00 40,00 80,00
2110 Caña 89,36 48,94 80,85
2180 Otros cultivos 66,67 60,00 93,33
2230 Musáceas 50,00 0,00 0,00
2251 Café con sombra 81,82 63,64 63,64
2252 Café sin sombra 55,56 55,56 66,67
3110 Pasto con árboles 63,64 54,55 54,55
3120 Pastos limpios 95,06 60,49 96,30
4210 Aguas continentales 100,00 25,00 0,00
5000 Infraestructura 82,14 64,29 78,57
6100 Playas y arenales 100,00 100,00 100,00
6400 Otros terrenos 0,00 12,50 0,00
Porcentaje total 82,95 57,51 81,50
Luego de seleccionar el mosaico que mostró mayor exactitud, se procedió a realizar varias pruebas
con dos diferentes kernel y la aplicación de diferentes parámetros de entrada con el objetivo de analizar los
resultados. Posteriormente, se seleccionaron los dos mejores con los parámetros que visualmente alcanzaron
la eliminación del efecto de sal pimienta en el mosaico clasificado, sin eliminar áreas correspondientes a
la clase correcta
Después de la eliminación del efecto sal pimienta, se obtuvo que el mosaico con el kernel aplicado
focal mode originó como resultado un 79,52 % de exactitud global, mientras que el segundo kernel presentó
un 73,11 %. Estos resultados se sitúan dentro de los parámetros informados por el Sistema Nacional de
Áreas de Conservación (SINAC, 2015, citado en Ávila, 2020), lo cual confirma que la exactitud global al
clasificar imágenes con más de seis clases de uso del suelo suele oscilar entre el 70 % y el 77 %.
Sin embargo, el mosaico original obtenido del algoritmo Random Forest, que obtuvo un 82,95
% de exactitud global, se eligió para los análisis multicriterio de aptitud agrícola y para la generación de
mapas correspondientes a las clases dominantes en el área de estudio.

12
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
Análisis de la distribución espacial de coberturas del suelo en los cantones Turrialba y Jiménez
Con base en la clasificación del mosaico de imágenes alrededor del área de estudio, se identificaron
los principales usos del suelo con mayor ocupación. La cobertura forestal, que incluye bosque secundario,
bosque maduro y plantación forestal, abarcó un total de 136,162.78 hectáreas. Las clases de pastos (arbo-
lados y limpios) ocuparon 25,497.24 hectáreas, seguidas por el cultivo de caña con 11,081.02 hectáreas
y, finalmente, el cultivo de café (con y sin sombra) con 5,512.17 hectáreas.
Según el INDER (2014), los cantones de Turrialba y Jiménez son notables por albergar extensas
áreas ocupadas por sistemas forestales. Esto se evidencia en la Figura 2, que ilustra la distribución de esta
cobertura alrededor de dichos cantones, especialmente concentrada en las regiones noreste y sureste de la
zona de estudio. Estas áreas coinciden, mayoritariamente, con importantes zonas de conservación como
la Reserva Forestal Río Macho, el Parque Nacional Barbilla y el Parque Nacional T apantí-Macizo Cerro
de la Muerte.
Por su parte, el Monitoreo del Cambio de Uso y Cobertura de la Tierra en Paisajes Productivos
(MOCUPP) señala que para el año 2019, Turrialba se ubica como el cantón de la región central con
mayor extensión de cobertura arbórea, con un total de 78,177.53 hectáreas, mientras que Jiménez ocupa
el noveno lugar con 12,172.74 hectáreas. Es relevante señalar que este estudio no abarcó la totalidad de
los cantones, ya que monitoreó la cobertura arbórea con el uso de un buffer de dos kilómetros alrededor
de los paisajes seleccionados, lo que resultó en la falta de cuantificación en algunas zonas dentro del área
de estudio (Acuña et al., 2022).
Asimismo, en 2019, el Instituto Geográfico Nacional (IGN) publicó un archivo vectorial sobre
la cobertura arbórea para todo el territorio nacional; al realizar el análisis de los datos vectoriales para
Turrialba y Jiménez reveló un total de 135,511 hectáreas de cobertura forestal (IGN, 2019).

13
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
Figura 2
Distribución de las clases de cobertura forestal identificadas para los cantones de Turrialba
y Jiménez
A continuación, en la Figura 3 se visualiza la distribución de pastos limpios y arbolados identi -
ficados en el área de estudio, para un total de 25.497,24 hectáreas, los cuales se encuentran localizados
en la zona central y noroeste del cantón de Turrialba y, en menor cuantía, en el cantón de Jiménez. Esta
área de pastos es similar a la reportada para los años 2013-2014, con un total de 23.864,6 hectáreas para
los cantones de Turrialba y Jiménez, esto cuando se realizó el Inventario Nacional Forestal por parte del
Sistema Nacional de Áreas de Conservación (SINAC) (Sistema Nacional de Áreas de Conservación
[SINAC] y Programa REDD-CCAD-GIZ, 2015).
En la actualización de 2019, el MOCUPP proporcionó resultados detallados de la capa vectorial
de pastos productivos por regiones y subdivididos por cantón. En esta, Turrialba destacó como el cantón
con la mayor extensión de pastos en la región central, al totalizar 18,369.03 hectáreas, mientras que Jiménez
ocupó la posición número 18 en la región con un total de 2,075.68 hectáreas (Hernández et al., 2022).

14
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
Figura 3
Distribución de las clases de pastos identificados para los cantones de Turrialba y Jiménez

Por otra parte, la Figura 4 ilustra que la caña de azúcar ocupa una extensa superficie en el cantón
de Jiménez, especialmente en el distrito de Juan Viñas, reconocido por Calderón y Chaves (2020) como
una zona cañera de gran importancia a nivel nacional debido a su considerable área sembrada, producción
de azúcar y capacidad de procesamiento de materia prima.
La clasificación revela que en el cantón de Turrialba la producción de caña se concentra en los
distritos de Turrialba, Santa Rosa y La Isabel, con una presencia menor en los distritos de La Suiza,
Pavones, T ayutic y T res Equis. Este patrón coincide con lo informado por el INDER (2014), donde se
destaca que la producción cañera se limita a estos distritos y representa una de las principales actividades
agroproductivas en Turrialba.

15
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
Figura 4
Distribución de la clase de caña identificada para los cantones de Turrialba y Jiménez
Más adelante, en la Figura 5, se evidencia la distribución espacial identificada por el algoritmo
clasificador para las clases de café con sombra y café sin sombra en el área de estudio. Se destaca que las áreas
con menor superficie de siembra se encuentran en la zona central, sur y norte del cantón de Turrialba. Por
otro lado, se observa que la mayor superficie sembrada se ubica en la zona noroeste del área de estudio,
específicamente en el pueblo de Aquiares, perteneciente al distrito de Santa Rosa del cantón de Turrialba.
De acuerdo con Moreira y Castro (2016) y Roupsard et al. (2021), la hacienda Aquiares se posi-
ciona como la finca cafetalera más extensa de Costa Rica, con alrededor de 673 hectáreas sembradas y una
producción aproximada de 2,200,200 libras de café al año.
A lo largo de la historia, la región de Turrialba ha sido reconocida como una de las principales zonas
cafetaleras del país. Sin embargo, en las últimas décadas, ha experimentado una disminución significativa
en la cantidad de hectáreas sembradas. El ICAFE (2019) señala que esta tendencia se evidencia desde el
2001, cuando el CA TIE realizó un censo cafetalero y reportó 11,919 hectáreas. Al comparar estos datos
con el censo del INEC en el 2015, se registró una disminución de 404.4 hectáreas.
Posteriormente, el SINAC (2015), en el Inventario Nacional Forestal 2013-2014, identificó áreas
de café a nivel nacional, ante lo cual determinan que la región cafetalera de Turrialba contaba con un total
de 10,501.90 hectáreas, lo que representó una disminución de 1,212.7 hectáreas en comparación con el
año 2003. Finalmente, el ICAFE (2019) publicó una actualización de los datos del cultivo de café para

16
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
los años 2017-2018, para lo que reportó un total de 4,917 hectáreas sembradas para la región, cifra que
es similar a la obtenida en el presente estudio.
Figura 5
Distribución de la clase de café identificado para los cantones de Turrialba y Jiménez
Análisis multicriterio para la evaluación de las condiciones agronómicas del cultivo de caña y
café en los cantones Turrialba y Jiménez
Según los resultados obtenidos a partir del mapa de aptitud, al superponer las áreas identificadas
del cultivo de caña, se determinó que el 1,99 % de la superficie total dedicada al cultivo de caña se encuentra
en zonas consideradas óptimas. Además, se observa que un 44,89 % del cultivo se encuentra en áreas con
aptitud media, mientras que el 31,60 % se ubica en zonas con aptitud muy buena. Asimismo, un 21,45 %
está situado en zonas bajas y, finalmente, un 0,07 % se encuentra en áreas consideradas deficitarias. Esto
se muestra en la Figura 6 y en la T abla 4.

17
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
Figura 6
Mapa de aptitud agrícola del cultivo de caña para los cantones de Turrialba y Jiménez
Tabla 4
Resultados obtenidos de la zonificación de la aptitud agrícola para el cultivo de caña
Valor (aptitud) Área (ha) Superficie cultivada (%)
Óptimo 220,25 1,99
Muy bueno 3501,66 31,60
Medio 4974,81 44,89
Bajo 2376,55 21,45
Deficitario 7,75 0,07
Posteriormente, al utilizar el mismo enfoque de análisis multicriterio, se generó el mapa de aptitud
para el cultivo de café. Este mapa refleja la distribución de las zonas de aptitud, al considerar las variables
definidas previamente y la ponderación proporcionada por personas expertas en el sector cafetalero. Por
su parte, la Figura 7 indica que el 66,71 % de la extensión total de la zona de estudio exhibe valores de
aptitud media. Las áreas restantes se dividen en zonas óptimas y muy buenas, las cuales abarcan un 11,54
%, mientras que el 21,75 % restante se distribuye en zonas bajas y deficitarias, donde las variables edafo -
climáticas tienen un impacto negativo en el desarrollo óptimo del cultivo de café.

18
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
Figura 7
Mapa de aptitud agrícola del cultivo de café para los cantones de Turrialba y Jiménez

En cuanto a las estadísticas presentadas a continuación en la T abla 5, se detalla la cantidad de
hectáreas y el porcentaje de ocupación de las áreas destinadas al cultivo de café con respecto al mapa
de aptitud. La mayor extensión de cultivo se sitúa en zonas de aptitud media, abarca un total del 64,76
%, seguido de las áreas catalogadas como de aptitud agrícola muy buena, que representan un 24,58 %.
Además, se registra un 4,96 % del cultivo en zonas óptimas, un 5,39 % en áreas de aptitud baja y un 0,31
% en regiones deficitarias para el desarrollo del cultivo.

19
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
Tabla 5
Resultados obtenidos de la zonificación de la aptitud agrícola para el cultivo de café
Valor (aptitud) Área (ha) Superficie cultivada (%)
Óptimo 273,59 4,96
Muy bueno 1355,1 24,58
Medio 3569,69 64,76
Bajo 296,93 5,39
Deficitario 16,86 0,31
Conclusiones
El empleo de la plataforma GEE y la aplicación de algoritmos clasificadores mediante lenguajes
computacionales demostró reducir significativamente los tiempos de procesamiento y agilizar la clasifi -
cación del mosaico de imágenes en comparación con métodos manuales que implican la intervención del
fotointérprete y la utilización de insumos adicionales para la identificación de usos del suelo.
De igual forma, la aplicación de los algoritmos clasificadores Minimum Distance, Random Forest
y Classification and Regression T ree (CAR T) en el mosaico de imágenes Sentinel-2 reveló que Random
Forest obtuvo la mayor precisión global, al alcanzar un 82,95 %, seguido por CAR T con un 81,50 % y
Minimum Distance con un 57,51 %.
Al analizar clases específicas, se destacaron por su elevada exactitud los pastos limpios (95.05 %),
el bosque secundario (90.59 %), la caña (89,36 %), la infraestructura (82,14 %) y el café con sombra (81,82
%). En cuanto a la ocupación del suelo, se determinó que la cobertura forestal, incluyendo bosque secun-
dario, bosque maduro y plantación forestal, abarcó 136,162.78 hectáreas, seguida por pastos (25,497.24
ha), cultivo de caña (11,081.02 ha) y cultivo de café (5,512.17 ha).
En cuanto a la aptitud del suelo para el cultivo de caña, se identificó que un 1,99 % se ubica en
zonas óptimas, el 31,60 % en zonas muy buenas, el 44,89 % en zonas medias, el 21,45 % en zonas bajas y un
0,07 % en zonas deficitarias. Para el cultivo de café, el análisis de aptitud reveló que un 4,96 % se encuentra
en zonas óptimas, el 24,58 % en zonas muy buenas, el 64,76 % en zonas medias, el 5,39 % en zonas bajas
y un 0,31 % en zonas deficitarias.
Ahora bien, para trabajos futuros, se recomienda fomentar la adopción de herramientas geoespa-
ciales por parte de los gobiernos locales y de las instituciones gubernamentales vinculadas a la agricultura
y a la ganadería, con el fin de fortalecer la gestión territorial y mejorar la recopilación de datos. Asimismo,

20
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
resulta pertinente establecer un monitoreo anual del desarrollo de los cultivos identificados en la zona de
estudio, de modo que sea posible registrar variaciones en las áreas cultivadas y analizar las causas asociadas
a los cambios en el uso del suelo. T ambién se sugiere promover el uso de mapas de aptitud agrícola como
herramienta de capacitación y orientación para las personas productoras, lo cual facilita la identificación
de cultivos adecuados según las características edafoclimáticas de cada finca.
De igual manera, es importante estimular la aplicación de estas herramientas geoespaciales en la
actualización de los planes reguladores cantonales y en el monitoreo de los recursos forestales y ambientales
mediante técnicas de teledetección. Finalmente, se recomienda elaborar mosaicos del área de estudio a
partir de imágenes capturadas en fechas similares o en periodos temporales cercanos, con el propósito de
mejorar la consistencia del análisis y optimizar la precisión de los algoritmos de clasificación.
Referencias bibliográficas
Acuña, S., Ávila, I., Aguilar, H., Hernández, S., V argas, A., V argas, Y., Obando, M., Fallas, E., Jiménez,
M., Fernández, J., Calvo, Y., Romero, D., Manrow, M. y Miller, C. (2022). Informe final del
Paisaje de Cobertura Arbórea presente en un radio de 2 km alrededor de los paisajes productivos
del MOCUPP para el año 2019. San José, Costa Rica: PRIAS-CeNA T.
Aguilar-Martínez, A. (2019). Ubicación de áreas agrícolas por medio de imágenes satelitales de alta reso-
lución en distintas zonas de Costa Rica. Tecnología en Marcha, 32(Especial XIII CLIA), 43-50.
https://doi.org/ 10.18845/ tm.v32i7.4258
Alvarado-Quiroa, H. y Araya-Rodríguez, F. (2013). Changes in land use and urban growth. Case study
in the neighboring municipalities of the Commonwealth Metrópoli de Los Altos, Quetzalte -
nango, Guatemala. Tecnología en marcha, 27(1), 103-113.
Ávila, I. (2020). Derivación indirecta de la distribución espacial y estado de desarrollo de los bosques se -
cundarios en Costa Rica usando imágenes satelitales de mediana resolución espacial. [T esis de
Maestría, Instituto T ecnológico de Costa Rica].
Banco Mundial. (2017). Uso de satélites para monitorear los avances de los ODS . https:// www.banco-
mundial.org/ es/ news/ feature/ 2017/ 08/ 23/ using-satellites-to-monitor-progress-to ward-the-
sdgs
Bazant, J. (2012). Impacto del cambio climático sobre la expansión urbana anárquica de las ciudades:
el caso de México. Revista Proyección, VI(13). https://bdigital.uncu.edu.ar/ objetos_digitales/
13418/ 08bazant-proyeccion13.pdf

21
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Armando Antonio V argas Céspedes • Saúl Brenes Gamboa
Calderón, G. y Chaves, M. (2020). Guía técnica del cultivo caña de azúcar. Región Turrialba. LAI -
CA-DIECA.
Centro Nacional de Información Geoambiental. (2018). Sistema de Clasificación de la Cobertura y Uso
de la Tierra para Costa Rica (SIMOCUTE). Ministerio de Ambiente y Energía.
Chuvieco, E. (2010). Teledetección ambiental: La observación de la tierra desde el espacio. Ariel.
Consejo T erritorial de Desarrollo Rural Turrialba-Jiménez. (2015). Plan de desarrollo rural del territorio
Turrialba-Jiménez 2015-2020. Instituto de Desarrollo Rural.
European Space Agency. (2017). Sen2Cor processor: Cloud and atmospheric correction for Sentinel-2 .
https://ui.adsabs.harvard.edu/ abs/ 2017SPIE10427E.04M/ abstract
Group on Earth Observations. (2013). Cómo las observaciones de la tierra pueden apoyar el desarrollo
sostenible en América Latina . https:// www.minrel.gob.cl/ minrel_old/ site/ artic/ 20130821/
asocfile/ 20130821125324/ geo_america_latina2011_1.pdf
Hansen, M. (2012). Classification trees and mixed training data. In W eng, Q. Advances in environmen-
tal remote sensing: sensors, algorithms and aplications. T aylor & Francis Group.
Hernández, S., Aguilar, H., Ávila, I., Acuña, S., V argas, Y., V argas, A., Obando, M., Calvo, Y., Jiménez,
M., Fernández, J., Fallas, E., Romero, D., Manrow, M. y Miller, C. (2022). Informe final del
Paisaje Productivo de Pastos año 2019. PRIAS-CeNA T.
Instituto de Desarrollo Rural. (2014). Informe de caracterización integral básica territorio Turrialba-Ji-
ménez. https:// www.inder.go.cr/ wp-content/ uploads/ 2024/ 11/ Caracterizacion-Turrialba-Ji-
menez.pdf
Instituto del Café de Costa Rica. (2019). Informe final proyecto: Actualización área cafetalera 2017-
2018. CICAFE. https:// www.icafe.cr/ wp-content/ uploads/ cicafe/ documentos/ Actualiza-
cion-Area-Cafetalera-2017-2018.pdf
Instituto Geográfico Nacional. (2019). Costa Rica. Cobertura de árboles 2017, escala 1:5000. https:// www.
snitcr.go.cr/ Metadatos/ full_metadata2?k=Y2FwYT o6SUdOXzU6OmZvcmVzdGFsMjAx-
N181aw==
Instituto Nacional de Estadística y Censos. (2015). VI Censo Nacional Agropecuario. Atlas Estadístico
Agropecuario. (1.ª ed.). https://inec.cr/ wwwisis/ documentos/ INEC/ Censos/ 2014_Censo_
Nacional_Agropecuario/ Atlas/ Atlas_Estadistico_Agropecuario_2014.pdf

22
Revista InterSedes, ISSN: 2215-2458, vol. 27, n.o especial (2025)
Análisis del uso, cobertura y aptitud del suelo en Turrialba y Jiménez (Cartago, Costa Rica) mediante imágenes Sentinel-2 en 2021
Moore, R. T. y Hansen, M. C. (2011). Google Earth Engine: a new cloud-computing platform for glo -
bal-scale earth observation data and analysis. AGU Fall Meeting Abstracts, IN43C-02
Moreira, D. y Castro, C. (2016). Resiliencia al cambio climático en el cultivo de café. Hacienda Aquiares.
Proyecto EUROCLIMA-IICA.
Roupsard, O., Allinne, C., V an den Meersche, K., V aast, P., Rapidel, B., Avelino, J., Jourdan, C., Le
Maire, G., Bonnefond, J., Harmand, J., Dauzat, J., Albrecht, A., Chevallier, T., Barthès, B.,
Clément-Vidal, A., Gómez-Delgado, F., Charbonnier, F., Benegas, L., W elsh, K., . . . Gay, F.
(2021). Monitoreo de servicios ecosistémicos en un observatorio de cafetales agroforestales: Reco -
mendaciones para el sector cafetalero. Agroforestería en las Américas , (51), 1-32. https://agri-
trop.cirad.fr/ 604827/ 1/ 2021_RAFA-Roupsard_ObservatorioSAF-Cafe-Aquiares.pdf
Secretaría Ejecutiva de Planificación Sectorial Agropecuaria. (2018). Informe de Gestión del Sector Agro-
pecuario y Rural (mayo 2014- abril 2018). https://sepsa.go.cr/ page/ 2/ ?dlm_download_cate-
gory=informes_gestionlabores
Sistema Nacional de Áreas de Conservación, y Programa REDD-CCAD-GIZ. (2015). Cartografía base
para el Inventario Forestal Nacional de Costa Rica 2013-2014. https:// www.sirefor.go.cr/ pdfs/
Documento-cartografia-Imprenta.pdf

论文原文与出版信息

InterSedes
查看论文原文

继续探索