⚡ ingeniería eléctrica

A method of neural network identification of thermokarst formations in Central Yakutia using graphic data from satellite remote

Este artículo presenta un método basado en redes neuronales convolucionales para identificar formaciones de termokarst en el centro de Yakutia utilizando imágenes satelitales, logrando una alta precisión de clasificación (0,94–0,96) en cuatro tipos de paisajes.

Autores originales: Vasilii Zhebsain, Artem Gololobov, Aiaal Poselsky, Nikolai Basharin

Publicado 2026-10-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vasilii Zhebsain, Artem Gololobov, Aiaal Poselsky, Nikolai Basharin

Artículo original bajo licencia CC BY 4.0 (https://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

En los vastos paisajes helados del norte de Rusia, el suelo no es tan sólido como parece. Bajo la superficie yace el permafrost, un suelo que ha permanecido congelado durante miles de años. Sin embargo, a medida que el clima se calienta, esta tierra congelada está comenzando a descongelarse, desencadenando un proceso conocido como termokarst. Cuando el hielo dentro del suelo se derrite, el terreno colapsa, creando un terreno caótico de sumideros, depresiones y cuencas llenas de agua. En Yakutia Central, una región en el este de Siberia, estas formaciones suelen adoptar una apariencia geométrica distinta, asemejándose a un mosaico de polígonos que se extiende por la tundra. Esta transformación se está acelerando rápidamente, con la formación de nuevos rasgos en tan solo veinte a treinta años. Si bien estos cambios han ocurrido de forma natural durante milenios, la tasa actual de calentamiento los está impulsando con una velocidad sin precedentes, amenazando la infraestructura y alterando los ecosistemas. Monitorear estos cambios es crítico, pero la magnitud del paisaje hace que sea difícil para los humanos rastrear cada cambio únicamente con la vista.

Para abordar este desafío, un equipo de investigadores de la Universidad Federal del Noreste y varios institutos científicos rusos ha desarrollado una nueva forma de observar cómo cambia el suelo congelado. Recurrieron a imágenes satelitales, utilizando el mismo tipo de mapas de alta resolución que se encuentran en las aplicaciones de navegación cotidianas, pero aplicándoles una forma sofisticada de aprendizaje computacional para analizarlos. En lugar de que un humano mire una pantalla e intente detectar una depresión, los investigadores entrenaron a un programa de computadora para reconocer automáticamente los patrones visuales de las formaciones de termokarst. El objetivo era enseñar a la máquina a distinguir entre cuatro tipos específicos de paisajes: áreas con estas formaciones de descongelación, campos abiertos, bosques y cuerpos de agua. Al hacer esto, esperaban crear una herramienta que pudiera escanear vastas áreas de la naturaleza siberiana y señalar los signos tempranos de colapso del suelo antes de que se vuelvan catastróficos.

Los investigadores comenzaron construyendo una biblioteca de imágenes para enseñar a su computadora. Crearon una herramienta en línea que les permitió seleccionar y etiquetar rápidamente miles de pequeñas imágenes cuadradas tomadas de mapas satelitales. Estas imágenes provenían de dos áreas específicas en Yakutia conocidas por tener muchas características de termokarst. Recopilaron más de diez mil imágenes, dividiéndolas en diferentes tamaños para ver cuál funcionaba mejor para la computadora. Algunas imágenes eran pequeñas, de 70 por 70 píxeles, mientras que otras eran más grandes, de 128 por 128 píxeles. Para asegurar que la computadora aprendiera correctamente, verificaron muchos de los puntos de termokarst utilizando drones, volando bajo sobre el terreno para confirmar lo que los satélites estaban viendo. Esta cuidadosa preparación creó un conjunto robusto de ejemplos, o un conjunto de datos de entrenamiento, que la computadora podría estudiar para aprender la diferencia entre un bosque, un campo, un lago y un parche de suelo en descongelación.

Una vez que los datos estuvieron listos, el equipo construyó un cerebro digital, conocido como red neuronal convolucional, para realizar el reconocimiento. Este tipo de programa de computadora está diseñado para procesar imágenes de manera muy similar a cómo trabajan el ojo y el cerebro humanos. Observa una imagen y la descompone en capas, buscando primero formas y texturas simples, y luego combinando esas partes simples para reconocer patrones complejos. Los investigadores probaron muchas versiones diferentes de este cerebro digital, cambiando el número de capas y la forma en que procesaba la información. Querían encontrar la arquitectura específica que pudiera identificar las formaciones de termokarst con la mayor precisión posible. Realizaron numerosos experimentos, alimentando a la computadora con miles de imágenes y observando qué tan bien aprendía a clasificarlas en las categorías correctas.

Los resultados mostraron que la computadora podía, de hecho, detectar estas formaciones con una precisión notable. Después de probar muchos diseños diferentes, los investigadores identificaron tres modelos específicos que tuvieron el mejor desempeño. Estos modelos de alto rendimiento fueron capaces de identificar correctamente las formaciones de termokarst en aproximadamente el 94 al 96 por ciento de los casos en los que fueron probados. Este nivel de precisión es significativo porque significa que el sistema puede distinguir de manera confiable los signos sutiles del suelo en descongelación de otras características del paisaje. La computadora fue particularmente buena diferenciando entre un bosque y un lago, pero a veces tuvo dificultades para distinguir entre una formación de termokarst y un campo abierto. Esta confusión tiene sentido, ya que ambos pueden parecer terreno plano y abierto desde arriba, y los investigadores señalaron que esto refleja la dificultad del mundo real para distinguir estas características sin una inspección cercana.

El estudio concluye que este método ofrece una nueva y poderosa herramienta para monitorear el cambiante Ártico. Al utilizar imágenes satelitales y programas de computadora entrenados, los científicos ahora pueden escanear grandes áreas de Yakutia Central mucho más rápido y de manera más consistente que antes. El software desarrollado por el equipo está listo para ser utilizado para el monitoreo automatizado, siempre que los datos de entrenamiento se mantengan actualizados y verificados. Aunque el sistema no es perfecto y todavía comete errores ocasionales, su capacidad para lograr tal precisión sugiere que el aprendizaje automático puede desempeñar un papel vital en el seguimiento de la rápida degradación del permafrost. Este enfoque permite a los investigadores mantener una vigilancia más estrecha sobre el suelo congelado, ofreciendo una forma de comprender y responder a los cambios acelerados en uno de los entornos más sensibles de la Tierra.

Resumen Técnico: Identificación de Formaciones de Termokarst mediante Redes Neuronales en Yakutia Central

Planteamiento del Problema
El artículo aborda la degradación acelerada de los paisajes de la criolozona en Yakutia Central, impulsada por el calentamiento global y manifestada como formaciones poligonales de termokarst distintivas. Si bien estos procesos tienen precedentes históricos, su ritmo de formación ha aumentado drásticamente en las últimas décadas, con un periodo de formación promedio de 25 a 30 años. Los autores identifican una brecha en las capacidades de monitoreo actuales, señalando que no se ha prestado suficiente atención al perfeccionamiento de los métodos para detectar estos procesos de degradación del paisaje utilizando el aprendizaje automático. Los estudios existentes se han centrado en otras regiones (Alaska, Canadá, el Tíbet) o en características específicas como sumideros y deslizamientos de tierra, pero existe la necesidad de una identificación automatizada y en etapas tempranas de las características de termokarst específicamente dentro del contexto de Yakutia Central.

Metodología
El estudio propone un método para la identificación automatizada de formaciones de termokarst utilizando Redes Neuronales Convolucionales (CNN) entrenadas con imágenes de teledetección satelital.

Generación de Datos: Los autores desarrollaron una aplicación en línea para generar rápidamente conjuntos de datos de entrenamiento permitiendo que los usuarios seleccionen áreas de paisaje específicas en mapas de los servicios Google y Yandex. El estudio se centró en el distrito de Churapchinsky y la aldea de Vladimirovka en Yakutia. Las formaciones de termokarst fueron verificadas mediante Vehículos Aéreos No Tripulados (UAV).
Construcción del Conjunto de Datos: Se crearon dos conjuntos de datos experimentales:
- DS0: Un conjunto de datos equilibrado que contiene 3,042 imágenes (70×70 píxeles) centradas en características de termokarst, campos, bosques y cuerpos de agua (aunque el subconjunto de entrenamiento inicial para DS0 solo incluía termokarst y campos).
- DS1: Un conjunto de datos desequilibrado que contiene 10,044 imágenes (128×128 píxeles, que representan áreas de 32×32 m) con cuatro clases distintas: formaciones de termokarst, campos, bosques y cuerpos de agua.
Arquitectura del Modelo: La CNN implementada utiliza una arquitectura secuencial que comprende capas convolucionales, capas de agrupación (submuestreo) y capas totalmente conectadas.
- Operaciones: La red aplica núcleos de convolución para extraer características, seguidos de funciones de activación ReLU. Las capas de agrupación reducen la dimensionalidad.
- Entrenamiento: La red fue entrenada utilizando el método de retropropagación con el optimizador Adam. La función de pérdida seleccionada fue SparseCategoricalCrossentropy.
- Hiperparámetros: Los experimentos se realizaron con 150 épocas. El estudio probó aproximadamente 180 variaciones de modelos en 17 series, variando el número de capas y el recuento de filtros (por ejemplo, configuraciones como $2\times32c, N\times64c, 128$ ).
Métricas de Evaluación: La precisión fue evaluada utilizando Recall, Precisión y F1-score, calculados con base en Verdaderos Positivos (TP), Falsos Positivos (FP) y Falsos Negativos (FN). Se utilizaron matrices de confusión para analizar los errores de clasificación.

Contribuciones Clave

Creación de Conjuntos de Datos: El desarrollo de una herramienta en línea especializada para la generación rápida de conjuntos de datos y la creación de dos conjuntos de datos distintos (DS0 y DS1) que contienen imágenes satelitales verificadas de los paisajes de Yakutia Central.
Selección de Modelos: La evaluación sistemática de 17 series de modelos para identificar tres arquitecturas de CNN específicas que ofrecen el mejor rendimiento para esta tarea particular.
Visualización de Características: El análisis de la generación de mapas de características capa por capa, demostrando que las diferencias significativas entre las clases de paisaje (termokarst vs. campos vs. bosques vs. agua) se hacen evidentes ya desde la cuarta capa de la red.

Resultados
Los experimentos numéricos revelaron que el rendimiento del modelo depende altamente de la arquitectura específica y del número de capas.

Conjunto de Datos DS0: Los experimentos iniciales en el conjunto de datos equilibrado mostraron una alta precisión, alcanzando 1.0 para el entrenamiento y 0.97–0.98 para los subconjuntos de validación.
Conjunto de Datos DS1: En el conjunto de datos más complejo y desequilibrado, el estudio identificó tres series de modelos óptimos:
1. $2\times32c, N\times64c, 128$
2. $2\times64c, N\times32, 128$
3. $2\times32c, 2\times64c, N\times128c, 128$
Niveles de Precisión:
- La serie $2\times32c, N\times64c, 128$ alcanzó un Recall máximo de 0.95–0.96 con 10–12 capas.
- La serie $2\times32c, 2\times64c, N\times128c, 128$ alcanzó un Recall máximo de aproximadamente 0.96 con 13 capas.
- La serie $2\times64c, N\times32, 128$ mostró un Recall máximo alrededor de 0.95 con 14–15 capas.
- En general, los mejores modelos alcanzaron niveles de precisión (Recall, Precisión, F1-score) en el rango de 0.94–0.96.
Análisis de Errores: Las matrices de confusión indicaron que la principal fuente de error fue la distinción entre las formaciones de termokarst y los campos, una dificultad atribuida a la distribución geográfica real y la similitud visual de estas características.

Significancia y Reivindicaciones
El artículo afirma que el método propuesto, utilizando los modelos de CNN identificados y el software de aplicación desarrollado, es efectivo para el monitoreo automatizado de los paisajes de la criozona. Los autores sostienen que el método identifica con éxito las características de termokarst en etapas tempranas en las imágenes satelitales con alta precisión. El estudio enfatiza que el enfoque es viable siempre que se preparen conjuntos de datos de entrenamiento apropiados y verificados. El trabajo contribuye con una herramienta práctica para abordar la urgente necesidad de monitorear la degradación del paisaje en Yakutia Central, ofreciendo una alternativa escalable a la observación manual.

Más como este