Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning
Este artículo demuestra que la aplicación de aprendizaje por transferencia y ajuste fino a las bandas RGB del conjunto de datos EuroSAT permite un mapeo de uso y cobertura del suelo altamente preciso (99,19%), proporcionando una herramienta valiosa para el monitoreo ambiental, la planificación urbana y la mitigación del cambio climático.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
La Tierra está cambiando constantemente, remodelada por el lento avance de los bosques, la rápida expansión de las ciudades y los patrones cambiantes de la agricultura. Para gestionar estos cambios y proteger nuestros recursos naturales, los científicos necesitan una imagen clara y precisa de cómo se ve el suelo desde arriba. Durante décadas, esto significó enviar personas al campo o estudiar fotografías manualmente, un proceso lento y a menudo incompleto. Hoy en día, los satélites orbitan el planeta, capturando vastas cantidades de imágenes digitales cada día. Estas imágenes actúan como un archivo masivo y global de nuestra superficie, pero son demasiado numerosas para que los humanos las clasifiquen una por una. Aquí es donde entra la inteligencia artificial, específicamente una rama conocida como visión computacional, que enseña a las máquinas a reconocer patrones e identificar objetos dentro de las imágenes tal como lo haría el ojo humano. El desafío radica en entrenar a estas máquinas para distinguir entre un río, un bosque o un vecindario residencial con alta precisión, especialmente cuando los datos provienen de complejos sensores satelitales.
En un estudio reciente, los investigadores Suman Kunwar y Jannatul Ferdush abordaron este desafío probando qué tan bien podía clasificar el uso y la cobertura del suelo un tipo moderno de inteligencia artificial. Se centraron en una colección específica de imágenes satelitales llamada EuroSAT, que contiene 27,000 imágenes etiquetadas de la superficie terrestre tomadas por el satélite Sentinel-2. Estas imágenes están divididas en diez categorías distintas, que van desde cultivos anuales y bosques hasta autopistas y zonas industriales. Los investigadores querían ver si podían usar un modelo potente y preentrenado conocido como Vision Transformer, o ViT, para aprender a clasificar estas imágenes. Este modelo ya había sido enseñado a reconocer objetos en fotografías generales, y el equipo buscaba ver si podía adaptarse para comprender las textidades y colores específicos de las imágenes satelitales. Probaron si alimentar al modelo con versiones adicionales y ligeramente alteradas de las mismas imágenes —como copias volteadas o recortadas— ayudaría a que aprendiera mejor, una técnica conocida como aumento de datos.
El equipo entrenó su sistema utilizando un conjunto específico de instrucciones y herramientas, ejecutando los experimentos en potentes procesadores de computadora disponibles a través de una plataforma en línea. Compararon el rendimiento del Vision Transformer contra otros dos modelos de inteligencia artificial muy conocidos, VGG16 y ResNet-50, utilizando los mismos datos satelitales. Los resultados mostraron que el Vision Transformer fue el más preciso de los tres. Cuando los investigadores utilizaron las imágenes estándar sin alteraciones adicionales, el modelo identificó correctamente el tipo de terreno en el 98.61 por ciento de los casos de prueba. Sin embargo, cuando introdujeron la técnica de aumento de datos, el rendimiento del modelo mejoró aún más, alcanzando una precisión del 98.72 por ciento. En una prueba más detallada donde entrenaron el modelo durante un período más largo, la versión que utilizó el aumento de datos alcanzó una notable precisión del 99.19 por ciento, mientras que la versión sin aumento de datos vio su precisión disminuir ligeramente a medida que el entrenamiento continuaba, cayendo del 98.67% en 10 épocas al 98.41% en 20 épocas. Esto sugiere que exponer al modelo a una mayor variedad de ángulos y recortes de imagen le ayudó a generalizar mejor ante datos nuevos y no vistos.
Para demostrar que este alto nivel de precisión podía aplicarse al mundo real, los investigadores tomaron su modelo con mejor desempeño y lo aplicaron a una región específica conocida como Kreis Borken en Alemania. Reunieron imágenes satelitales de esta zona del periodo 2018 a 2020 y las dividieron en cuadrados pequeños y manejables. El modelo examinó entonces cada cuadrado y le asignó una etiqueta, como bosque, pastizal o área residencial. El resultado final fue un mapa colorido que representaba visualmente la distribución de diferentes tipos de terreno a través de la región. El análisis del mapa reveló que el modelo era particularmente bueno identificando bosques y cuerpos de agua, mientras que encontró la categoría de "pastizal" ligeramente más difícil de distinguir, registrando la precisión más baja entre todas las clases, aunque las categorías restantes alcanzaron casi el 99% de precisión.
El estudio concluye que el uso del aprendizaje por transferencia, donde un modelo entrenado para una tarea es adaptado para otra, es una forma altamente efectiva de mapear el uso del suelo. Los investigadores encontraron que añadir el aumento de datos no solo mejoró la precisión de la clasificación, sino que también ayudó al modelo a evitar el sobreajuste, un problema común donde una computadora memoriza demasiado los datos de entrenamiento y falla al reconocer nuevos patrones. Al combinar estas técnicas, el equipo demostró que es posible crear mapas detallados y automatizados de la superficie de la Tierra con una precisión casi perfecta. Estos hallazgos sugieren que tales herramientas pueden ser valiosas para urbanistas y ambientalistas que necesitan monitorear los cambios en el uso del suelo, planificar el crecimiento futuro y proteger los hábitats naturales sin depender únicamente de la observación manual.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.