Implementación de un modelo de aprendizaje computacional para clasificación de manzanas por uso de suelo en Bogotá. Un enfoque para la planificación urbana
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La clasificación de uso de suelo predominante por manzanas en Bogotá es un proceso que se realiza manualmente o empleando herramientas SIG (Sistema de Información Geográfica) cuyos algoritmos suelen ser poco configurables y exigen altos requerimientos computacionales. Este enfoque no aprovecha suficientemente las técnicas de Machine learning (ML) en la planeación urbana, y actualmente en la ciudad no existen soluciones que integren imágenes satelitales de las manzanas con modelos de ML para automatizar esta tarea a nivel intraurbano.
Este estudio propone la implementación de un sistema llamado BUBLUC, (Bogota Urban Block Land use classification), una aplicación de algoritmos de ML que incluye: la descarga de imágenes de las manzanas en Bogotá con sus datos geoespaciales; su etiquetado por uso de suelo predominante; y la implementación de algoritmos Deep Learning (DL) usando como base los modelos preentrenados de DinoV2 y EfficientNetB3V2 para la clasificación del suelo intraurbano en Bogotá. El presente estudio expone técnicas de aumentación de datos para mitigar el desbalance del dataset y también la exploración de hiperparámetros en cada arquitectura. El enfoque experimental del presente trabajo muestra una mejora sustancial al pasar de la implementación de DinoV2 a EffificentNetB3V2. Esta última emplea una arquitectura de fusión intermedia que concatena para cada imagen tanto el índice de Vegetación de Diferencia Normalizada(NDVI ) como sus estadísticas asociadas: promedio, desviación estándar y percentiles 25, 50, y 75.
Los resultados muestran valores macro de accuracy de 0.70 y de 0.59 para precision, recall y f1-score en el problema de clasificación de usos de suelos predominante por manzana en la ciudad de Bogotá. Estos resultados ejemplifican mediante un caso práctico la aplicación de ML a problemas de clasificación de suelo a nivel intraurbano y ofrece un enfoque teórico y técnico para la implementación de estas tecnologías a nivel de las instituciones públicas y privadas relacionadas con el análisis urbano. Los hallazgos como la adopción de técnicas de ML para la automatización de procesos de análisis urbano pueden contribuir a la integración de urbanismo contemporáneo en Colombia y Latinoamérica con las tecnologías de IA y a la generación ágil de insumos relevantes para la planeación urbana. (Texto tomado de la fuente)
Abstract
The classification of predominant land use by urban blocks in Bogotá is a process carried out manually or using GIS tools (Geographic Information System), whose algorithms are often not very configurable and demand high computational requirements. This approach does not sufficiently leverage Machine Learning (ML) techniques in urban planning, and currently the city lacks solutions that integrate satellite images of urban blocks with ML models to automate this task at the intra-urban level.
This study proposes a system called BUBLUC (Bogota Urban Block Land Use Classification), an implementation of Machine Learning (ML) algorithms which includes: downloading images of city blocks in Bogotá with their geospatial data; labeling them by predominant land use; and implementing Deep Learning (DL) algorithms using the pre-trained models DinoV2 and EfficientNetB3V2 as a foundation for intra-urban land classification in Bogotá. The study also presents data augmentation techniques given the dataset imbalance, as well as hyperparameter exploration in each architecture. The experimental approach of this work shows a substantial improvement from the implementation of DinoV2 to EfficientNetB3V2 with an intermediate fusion architecture, which concatenated the NDVI (Normalized Difference Vegetation Index) and its statistics to the classifier. The results show macro accuracy values of 0.70 and 0.59 for precision, recall, and f1-score for the problem of classifying predominant land uses by city block in the city of Bogotá. The result exemplifies through a practical case the application of ML to land classification problems at the intra-urban level and offers a theoretical and technical approach for implementing these technologies within public and private institutions related to urban analysis. The findings, such as the adoption of ML techniques for automating urban analysis processes, can contribute to the integration of contemporary urbanism in Colombia and Latin America with AI technologies and to the agile generation of relevant inputs for urban planning.
Palabras clave propuestas
Clasificación de uso de suelo; Aprendizaje profundo; Visión por computadora; Aprendizaje por transferencia; Planeación urbana; Análisis urbano; Bogotá; Suelo intraurbano; Land use classification; Machine Learning; Deep Learning; Computer Vision; Transfer learning; Urban planning; Urban analytics; Intra-urban land
Descripción
ilustraciones a color, diagramas, fotografías, tablas