Clasificación de zonas agrícolas en Colombia por medio de imágenes satelitales con redes neuronales profundas
Archivos
Autores
Álvarez Montoya, Sebastián Felipe
Director
González Osorio, Fabio Augusto
Ramos Pollán, Raúl
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
EspañolFecha de publicación
2023
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Las imágenes satelitales son una fuente valiosa de información sobre la tierra, que nos permiten analizar su superficie y las estructuras creadas por el ser humano, como la cobertura del suelo, la vegetación, la topografía y las áreas urbanas. En las últimas décadas, se han producido avances significativos para mejorar la calidad de estas imágenes, incluyendo el uso de imágenes multiespectrales de alta resolución que brindan una descripción más precisa de los objetos y su entorno. Además, se han desarrollado modelos de aprendizaje profundo utilizando estas imágenes para la clasificación y segmentación de objetos; principalmente en ámbitos urbanos y climáticos, con pocos modelos enfocados en la agricultura y los cultivos. Sin embargo, dado que Colombia es un país con una vasta extensión de tierra dedicada a la agricultura, es importante desarrollar modelos de aprendizaje profundo para clasificar y predecir la distribución de estas áreas, lo que brinda información valiosa tanto al gobierno como a los agricultores. En este estudio se utilizaron imágenes de los satélites Sentinel 2 tomadas en el año 2020, que fueron preprocesadas y georreferenciadas. Luego se determinó la cantidad de área porcentual de zonas agrícolas en cada imagen, que es la variable que permite la etiquetación de las mismas, como Frontera agrícola o No en la tarea de clasificación. Se utilizaron redes neuronales convolucionales profundas, incluyendo MobileNet, ResNet50, Inception v3 y VGG 19, con una entrada de resolución de imagen de 100 x 100. De igual manera, se utilizaron modelos con arquitecturas más simples para hacer una comparación adicional entre estos tipos de modelos; los cuales se dividieron como modelos shallow convolutional y modelos basados en Quantum Kernel Mixtures. Donde se observan mejores resultados utilizando estas arquitecturas más simples para esta tarea de clasificación con este tipo de imágenes. En resumen, este estudio demuestra cómo el uso de modelos de aprendizaje profundo junto con imágenes satelitales de alta resolución puede proporcionar información valiosa para la agricultura, permitiendo una mejor comprensión y planificación de las áreas de cultivo en Colombia. (Texto tomado de la fuente).
Abstract
Satellite images constitute a valuable source of information about the Earth, enabling the analysis of its surface and human-created structures, such as land cover, vegetation, topography, and urban areas. Significant advancements have been made in recent decades to enhance the quality of these images, including the utilization of high-resolution multispectral images that provide a more precise description of objects and their surroundings. Additionally, deep learning models have been developed using these images for object classification and segmentation, primarily in urban and climatic contexts, with limited focus on agriculture and crops. Given that Colombia encompasses vast agricultural lands, it is crucial to develop deep learning models for classifying and predicting the distribution of these areas, offering valuable insights to both the government and farmers. This study utilized images from Sentinel 2 satellites captured in the year 2020, which underwent preprocessing and georeferencing. The percentage of agricultural area in each image was then determined, serving as the variable for labeling them as either agricultural land or No in the classification task. Deep convolutional neural networks, including MobileNet, ResNet50, Inception v3, and VGG 19, were employed with an input image resolution of 100 x 100. Similarly, models with simpler architectures were used for additional comparison, categorized as shallow convolutional models and models based on Quantum Kernel Mixtures. Interestingly, superior results were observed using these simpler architectures for this classification task with high-resolution satellite images. In summary, this study demonstrates how the combination of deep learning models and high-resolution satellite images can provide valuable information for agriculture, facilitating a better understanding and planning of cultivation areas in Colombia.
Descripción Física/Lógica/Digital
ilustraciones, diagramas, fotografías, mapas, planos