La tecnología de teledetección ha penetrado en todos los segmentos de recursos naturales, ya que proporciona información precisa en modo de imagen. Los satélites de teledetección son actualmente la fuente de información geográfica de más rápido crecimiento. Con el cambio continuo en la superficie terrestre y la amplia aplicación de la teledetección, la detección de cambios es muy útil para monitorear necesidades ambientales y humanas. Por lo tanto, es necesario desarrollar técnicas automáticas de detección de cambios para mejorar la calidad y reducir el tiempo requerido por el análisis manual de imágenes. Este trabajo se centra en la mejora de la precisión de clasificación de las técnicas de aprendizaje automático mediante la revisión de las muestras de entrenamiento y la comparación de la comparación post-clasificación con la diferencia de imágenes en la técnica algebraica. Los datos de Landsat son datos de resolución espacial media; por eso se ha aplicado el cálculo píxel a píxel. Se han estudiado dos técnicas de detección de cambios aplicando un algoritmo de árbol de decisiones utilizando una matriz de separabilidad y la diferencia de imágenes. La primera detección de cambios, por ejemplo, la matriz de separabilidad, es una comparación post-clasificación en la que las imágenes individuales son clasificadas por un algoritmo de árbol de decisiones. La segunda detección de cambios es, por ejemplo, la técnica de detección de cambios por diferencia de imágenes en la que se determinan píxeles cambiados y no cambiados aplicando el método de esquina para calcular el umbral en la imagen cambiante. El rendimiento del algoritmo de aprendizaje automático ha sido validado mediante validación cruzada de 10 pliegues. Los resultados experimentales muestran que la detección de cambios utilizando el método post-clasificación produjo mejores resultados en comparación con la diferencia de imágenes de la técnica de detección de cambios algebraica.