ENSAMBLE STACKING MULTI-ARQUITECTURA PARA LA CARTOGRAFÍA LITOLÓGICA Y CUANTIFICACIÓN DE INCERTIDUMBRE ESPACIAL EN EL TERRENO MIXTECO, SUR DE MÉXICO
La cartografía litológica precisa en terrenos orogénicos polideformados representa un desafío crítico debido al intemperismo diferencial, la presencia de coberturas con materiales de relleno y el solapamiento espectral entre unidades contiguas. En este trabajo se desarrolla y evalúa un flujo de aprendizaje automático para la discriminación litológica de 14 unidades en la hoja geológico-minera San Juan Ixcaquixtla (E14-B74, Puebla), ubicada en una porción del límite tectónico entre los terrenos Mixteco y Oaxaquia en el sur de México. La metodología integra 24 covariables multifuente, incluyendo 9 bandas de reflectancia superficial del sensor ASTER, 9 índices espectrales y mineralógicos, un modelo digital de elevación (MDE) normalizado y 5 atributos morfométricos derivados.
Se utilizaron 6,603 muestras multitemporales correspondientes a 2,216 coordenadas físicas únicas obtenidas a partir de 3 composiciones temporales independientes, estructuradas en firmas espectrales puntuales y parches espaciales de 5 x 5 píxeles. Se entrenó un ensamble mediante stacking generalizado que integra cinco clasificadores heterogéneos: Random Forest, XGBoost, FastCNN2D, ResNet2D y Vision Transformer (ViT). Para reducir la sobreestimación del desempeño por autocorrelación espacial, fuga de información (data leakage) y pseudorreplicación multitemporal, el particionamiento de datos se realizó estrictamente por coordenada única.
El meta-modelo alcanzó una exactitud global del 83.67% (κ = 0.8230, F1-macro = 0.8358) sobre un conjunto de prueba independiente de 441 ubicaciones físicas no observadas (equivalente a 1,323 observaciones multitemporales), superando en 2.7 puntos porcentuales al mejor aprendiz base individual. La estabilidad de la estimación se evaluó mediante 1,000 remuestreos bootstrap, obteniéndose un intervalo de confianza del 95 % de 0.817–0.856. El análisis de consenso de importancia identificó MDE_scaled, Clay_Sulp, ALI, CI y TRI como las variables de mayor poder discriminante, demostrando la complementariedad de la expresión morfométrica y las respuestas espectrales mineralógicas. La incertidumbre espacial estimada mediante entropía de Shannon (Hn), delimitó fajas con patrones dendríticos y ramificados asociados a las zonas de mayor transición litológica, de cizalla y estructuras, así como a materiales de relleno aluvial y a la red de drenaje superficial. Los resultados demuestran que la combinación de información espectral, mineralógica y topográfica mediante stacking permite mejorar la discriminación litológica, mientras que la incertidumbre del modelo proporciona información espacial que debe interpretarse como una respuesta a la heterogeneidad geomorfológica y espectral superficial, no como un marcador exclusivo de deformación tectónica.