Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos

Abstract

Los ecosistemas de páramo son cruciales para la regulación hídrica y la biodiversidad, pero enfrenta amenazas significativas debido el cambio climático y las actividades humanas. La falta de delimitación clara y sistemas de monitoreo continuo dificultan su protección, resaltando la necesidad de técnicas de clasificación de coberturas con alta exactitud temática y tiempos de procesamiento cortos. En esta investigación evaluó dos arquitecturas de redes neuronales convolucionales (CNN), U-Net++ y DeepLabV3 en su capacidad para realizar la segmentación semántica de imágenes satelitales para clasificar las coberturas del complejo de páramos Tota-Bijagual-Mamapacha (TBM), ubicado en Boyacá y Cundinamarca. Utilizando imágenes Landsat 8 del periodo 2017 a 2019 junto con etiquetas de coberturas del mapa nacional de coberturas 1:100.000 del IDEAM de 2018. Los resultados indican una exactitud global (OA) de 68.07% y un kappa de 0.60 para U-Net++ y un OA de 67.29% y un kappa de 0.59 para DeepLabV3+. En coberturas de páramo, U-Net++ alcanzó un F1 del 78.43% para Herbazal y del 79.22% para Bosques, mientras que DeepLabV3+ logró un 75% y 74.27%, respectivamente. Ambos modelos se entrenaron en una estación de trabajo equipada con una NVIDIA Quadro RTX™ 5000, presentando tiempos de procesamiento similares. Los hallazgos confirman el potencial de las CNN para la clasificación de coberturas en ecosistemas de páramo y destacan los desafíos asociados al desbalance de clases y la necesidad de datos fuente con alta consistencia lógica y exactitud. Estos resultados establecen una base sólida para investigaciones futuras. (Texto tomado de la fuente).

Paramo ecosystems are fundamental for water regulation and biodiversity but face significant threats due to climate change and human activities. Their protection is hindered by the lack of clear delineation and a continuous monitoring system, highlighting the need to develop land cover classification techniques that offer high thematic accuracy and efficient processing times. This research evaluates two convolutional neural network (CNN) architectures, U-Net++ and DeepLabV3, in their ability to perform semantic segmentation of satellite images to classify the land covers of the Tota-Bijagual-Mamapacha (TBM) paramo complex, located in Boyacá and Cundinamarca. Using Landsat 8 images from the period 2017 to 2019 along with land cover labels from the 2018 national land cover map 1:100,000 of IDEAM. The results indicate an overall accuracy (OA) of 68.07% and a kappa of 0.60 for U-Net++ and an OA of 67.29% and a kappa of 0.59 for DeepLabV3+. In paramo covers, U-Net++ achieved an F1 score of 78.43% for Herbazal and 79.22% for Forests, while DeepLabV3+ achieved 75% and 74.27%, respectively. Both models were efficiently trained on a workstation equipped with an NVIDIA Quadro RTX™ 5000, presenting similar processing times. The findings confirm the potential of CNNs for land cover classification in paramo ecosystems and highlight the challenges associated with class imbalance and the need for source data with high logical consistency and accuracy. These results provide a solid foundation for future research in land cover classification and ecosystem monitoring.