9. Bibliografía#
Instituto Geográfico Nacional (Argentina). Capas sig. https://www.ign.gob.ar/NuestrasActividades/InformacionGeoespacial/CapasSIG, 2025. Consultado el 20 de septiembre de 2025.
L. Barreñada, P. Dhiman, D. Timmerman, A.-L. Boulesteix, and B. Van Calster. Understanding overfitting in random forest for probability estimation: a visualization and simulation study. Diagnostic and Prognostic Research, 8(14):1–20, 2024. URL: https://diagnprognres.biomedcentral.com/articles/10.1186/s41512-024-00177-1, doi:10.1186/s41512-024-00177-1.
R. Blanquero, E. Carrizosa, C. Molero-Río, and D. Romero Morales. Árboles de clasificación aleatorios óptimos. TOP, 29(1):161–190, 2021. URL: https://link.springer.com/article/10.1007/s11750-020-00574-3, doi:10.1007/s11750-020-00574-3.
L. Breiman. Random forests. Machine Learning, 45(1):5–32, 2021.
L. P. Cavalheiro, S. Bernard, J. P. Barddal, and L. Heutte. Random forest kernel for high-dimension low sample size classification. Statistics and Computing, 34(9):1–19, 2023. URL: https://link.springer.com/article/10.1007/s11222-023-10309-0, doi:10.1007/s11222-023-10309-0.
Gabriele Cavallaro, Claudia Vitolo, Daniel Nüst, Edzer Pebesma, Peter Baumann, and Markus Neteler. Enes data infrastructure for hpc analytics of climate and earth system data. Future Generation Computer Systems, 110:91–104, 2020. doi:10.1016/j.future.2019.12.015.
Gilberto Câmara. On the semantics of big earth observation data for land classification. Journal of Spatial Information Science, 20:21–34, 2020. doi:10.5311/JOSIS.2020.20.645.
Chris Funk, Pete Peterson, Martin Landsfeld, Diego Pedreros, James Verdin, Shraddhanand Shukla, Greg Husak, James Rowland, Laura Harrison, Andrew Hoell, and Joel Michaelsen. The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific Data, 2(1):150066, 2015. URL: https://www.nature.com/articles/sdata201566, doi:10.1038/sdata.2015.66.
Paolo Gamba. Synthetic aperture radar for urban remote sensing: state-of-the-art and future trends. Proceedings of the IEEE, 107(9):1456–1471, 2019. doi:10.1109/JPROC.2019.2932582.
Song Gao, Yingjie Hu, and Wenwen Li, editors. Handbook of Geospatial Artificial Intelligence. CRC Press, 2023. ISBN 9781003308423. URL: https://www.crcpress.com/Handbook-of-Geospatial-Artificial-Intelligence/Gao-Hu-Li/p/book/9781003308423.
United Nations / UN GGIM. Marco integrado de información geoespacial (un-igif). parte i: marco estratégico global. Technical Report, United Nations, Nueva York, 2020. URL: https://ggim.un.org/UN-IGIF/documents/PARTE_1_MARCO_%20ESTRATEGICO_GLOBAL.pdf.
Gregory Giuliani, Adrien Dubois, Pierre Lacroix, Bruno Chatenoux, Anthony Lehmann, and Nicolas Ray. Earth observation data cubes for space and time analysis of earth observation data. Data, 1(1):8, 2016. URL: https://www.mdpi.com/2306-5729/1/1/8, doi:10.3390/data1010008.
Adobe Inc. Adobe after effects. https://www.adobe.com/products/aftereffects.html, 2025. Composición y motion graphics. Indique versión utilizada.
Adobe Inc. Adobe audition. https://www.adobe.com/products/audition.html, 2025. Edición y mezcla de audio. Indique versión utilizada.
Adobe Inc. Adobe creative cloud. https://www.adobe.com/creativecloud.html, 2025. Suite de aplicaciones creativas. Especifique versión/plan utilizado.
Adobe Inc. Adobe illustrator. https://www.adobe.com/products/illustrator.html, 2025. Diseño y gráficos vectoriales. Indique versión utilizada.
Adobe Inc. Adobe media encoder. https://www.adobe.com/products/media-encoder.html, 2025. Ingesta, transcodificación y publicación. Indique versión utilizada.
Adobe Inc. Adobe stock. https://stock.adobe.com/, 2025. Banco de imágenes, videos y plantillas. Indique recursos/licencias utilizados.
John R. Jensen. Remote Sensing of the Environment: An Earth Resource Perspective. Pearson Prentice Hall, Upper Saddle River, NJ, USA, 2nd edition, 2007. ISBN 978-0131889507.
Haifeng Li. Smile: statistical machine intelligence and learning engine (documentación y referencia). https://haifengl.github.io/, 2017.
Thomas M. Lillesand, Ralph W. Kiefer, and Jonathan W. Chipman. Remote Sensing and Image Interpretation. Wiley, Hoboken, NJ, USA, 7th edition, 2015. ISBN 978-1118343289.
Nicolas Longépé, Mustapha Bernier, André Gosselin, Frédéric Trudel, Jean-Baptiste Henry, and Jean-Paul Rudant. Assessment of sar images for flood mapping: performance of pixel- and object-based approaches. International Journal of Applied Earth Observation and Geoinformation, 13(3):350–359, 2011. doi:10.1016/j.jag.2010.12.004.
David Montero, César Aybar, Miguel D. Mahecha, and others. A standardized catalogue of spectral indices to advance the use of remote sensing in earth system research. Scientific Data, 10(1):197, 2023. doi:10.1038/s41597-023-02011-7.
United Nations. Global administrative unit layers (gaul). DataBasis dataset, septiembre 2025. Cobertura temporal: 2000–2014; Organización: United Nations. URL: https://data-basis.org/dataset/605e1a3d-c0ca-43e6-bcfa-26d944be8794?raw_data_source=5e4aedd6-6b7b-4f43-81a2-b95aa4dba235.
Saurabh Prasad and James E. Fowler. Information fusion in remote sensing: hyperspectral image analysis. Information Fusion, 41:119–123, 2018. doi:10.1016/j.inffus.2017.08.008.
Luis Reynoso. Clasificación supervisada multiclase con svm y árboles de decisión. serie laboratorio 3-4. https://youtu.be/QBJtlQOPdfQ?si=4A4TSt8xMVLa8Yy1, 2025. Plataforma: canal YouTube de IDERA, Recurso Didáctico-Video.
Luis Reynoso. Flujo de trabajo para clasificación supervisada de imágenes satelitales mediante algoritmos de machine learning (ml) y google earth engine (gee). In II Congreso Regional en Ciencias de la Tierra y el Mar y V Congreso Internacional de Geografía Urbana. Heredia, Costa Rica, 2025. Facultad de Ciencias de la Tierra y el Mar, Universidad Nacional de Costa Rica. Presentado el 24 de marzo de 2025.
Luis Reynoso. Machine learning con imágenes satelitales - aplicación de random forest. serie laboratorio 2. https://youtu.be/fk6atugR6ss?si=WgPyfiqy9jSVdwqU, 2025. Plataforma: canal YouTube de IDERA, Recurso Didáctico-Video.
Valeria Rulloni and colaboradores. Aplicaciones de aprendizaje automático en observación de la tierra: experiencias en argentina. In Actas de las Jornadas Argentinas de Inteligencia Artificial (JAIIO). Córdoba, Argentina, 2022.
Bernhard Schölkopf and Alexander J. Smola. Learning with Kernels. MIT Press, 2002. ISBN 9780262194754.
Xiao Xiang Zhu, Devis Tuia, Lichao Mou, Gui-Song Xia, Liangpei Zhang, Feng Xu, and Friedrich Fraundorfer. Deep learning in remote sensing: a comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4):8–36, 2017. doi:10.1109/MGRS.2017.2762307.
Esri. ¿qué es la geoai? Esri Support & Documentation, 2021. Consultado el 19 de septiembre de 2025. URL: https://www.esri.com/es-es/arcgis/about-arcgis/geoai/overview.
European Space Agency. Sentinel-2: esa's optical high-resolution mission for gmes operational services. European Space Agency, 2015. Consultado el 19 de septiembre de 2025. URL: https://sentinel.esa.int/web/sentinel/missions/sentinel-2.
Google Earth Engine. Modis satellite imagery collections in google earth engine. Google Earth Engine Data Catalog, 2025. Consultado el 19 de septiembre de 2025. URL: https://developers.google.com/earth-engine/datasets/catalog/modis.
Google Earth Engine. Sentinel satellite imagery collections in google earth engine. Google Earth Engine Data Catalog, 2025. Consultado el 19 de septiembre de 2025. URL: https://developers.google.com/earth-engine/datasets/catalog/sentinel.
openEO Consortium. Data cube concept in openeo. openEO Documentation, 2023. Consultado el 19 de septiembre de 2025. URL: https://openeo.org/documentation/.