¿Random Forest, XGBoost, CNN o Transformer?

Los artículos de teledetección pueden hacer que la selección del modelo parezca una carrera hacia la arquitectura más nueva, aunque la cartografía de huertos suele decidirse antes, en la calidad de la serie temporal, de las etiquetas de campo y del diseño de la validación. Random Forest puede ser la opción correcta cuando hay pocas etiquetas y la pregunta principal es qué características espectrales o fenológicas son importantes. XGBoost resulta útil cuando interesan las interacciones no lineales y las probabilidades. Una red de segmentación gana sentido cuando los límites y el contexto espacial son centrales, mientras que un modelo recurrente o un Transformer merece su complejidad cuando la secuencia contiene información que no debería reducirse a una larga pila de bandas.

La investigación disponible favorece una estrategia escalonada, no un ganador único. El trabajo con ConvRNN jerárquico mostró que un modelo puede aprender primero la categoría amplia de «huerto» y después utilizar esa representación para distinguir clases menos frecuentes como manzanos y perales. Los trabajos más recientes con Transformer emplean secuencias de Landsat y Sentinel-2 para una cartografía más rápida dentro de la temporada, mientras que el estudio de manzanos de 2025 combinó selección de características temporales con SegNet, CBAM y Focal Loss para mejorar la segmentación. Son métodos para preguntas diferentes, por lo que compararlos únicamente por una cifra de precisión puede llevar a conclusiones pobres. Consulta el estudio temporal jerárquico, el estudio Transformer de 2025 y el estudio sobre manzanos.

En un proyecto real, la secuencia más defendible consiste en construir primero una línea base fuerte con características explícitas, añadir un modelo espacial cuando el mapa muestre problemas de límites y utilizar un modelo temporal profundo solo cuando la línea base no represente bien la secuencia. Cada mejora debería probarse con la misma separación por parcela, con un año o una región reservados cuando sea posible y con un análisis de ablación que demuestre si la ganancia proviene de la arquitectura, de las bandas adicionales, de la ventana temporal o de las etiquetas. La complejidad está justificada cuando hace el resultado más transferible o más útil, no cuando simplemente lo hace más difícil de explicar.