Un mapa debería mostrar su incertidumbre

Un mapa de clasificación suele parecer más seguro que la evidencia que hay detrás. Cada píxel recibe un color, cada parcela recibe una etiqueta y el resultado visual puede ocultar que el modelo fue entrenado con pocos campos, que la temporada actual es atípica o que gran parte de la serie temporal fue reconstruida en lugar de observada. En el trabajo con huertos, la incertidumbre no es un fallo que deba eliminarse de la interfaz; forma parte de la información que el productor necesita antes de dedicar tiempo al campo.

Hay varias formas de hacer que esa incertidumbre sea útil. El modelo puede devolver probabilidades calibradas de clase en vez de solo la etiqueta más probable. El resultado por parcela puede incluir la cobertura de observaciones válidas, la proporción de píxeles que cambió y la distancia entre la curva actual y la distribución de referencia. Un estudio de cartografía de huertos a escala nacional en Italia combinó un clasificador XGBoost probabilístico con calibración bayesiana utilizando información previa de las estadísticas nacionales, lo que ofrece un ejemplo concreto de tratar las probabilidades como algo que debe comprobarse. La clasificación jerárquica aporta otra opción: cuando la clase detallada es incierta, el sistema todavía puede devolver una categoría amplia más fiable, como «huerto». Consulta Lodato et al. y el estudio temporal jerárquico.

La incertidumbre también cambia el diseño de la validación. Separar al azar píxeles vecinos puede hacer que el modelo parezca más fuerte porque los conjuntos de entrenamiento y prueba contienen fragmentos casi idénticos del mismo campo. Una prueba más honesta reserva parcelas completas, temporadas o regiones y luego informa dónde cae el rendimiento. El resultado es menos atractivo, pero indica si el mapa puede apoyar una parcela nueva, un año nuevo o solamente el lugar donde fue entrenado. La confianza es valiosa cuando reduce la siguiente pregunta; es peligrosa cuando solo adorna una respuesta débil.