Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales
Cargando...
Fecha
Fecha
2021-06-11
Director
Colaboradores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Altmetric
Descripción
En los últimos años el Deep Learning, un subcampo de la inteligencia artificial ha venido tomando fuerza dado a los avances tecnológicos, dentro de los diferentes algoritmos se tienen las redes neuronales convolucionales (CNN) las cuales han sido ampliamente utilizadas en la clasificación de imágenes y detección de objetos. En el proyecto se utilizaron en estas redes imágenes satelitales más en específico imágenes de radar de apertura sintética, las cuales dan la ventaja de que podemos obtener fotografías de la superficie independientemente de las condiciones atmosféricas. Se entreno una red mediante imágenes clasificadas según “CORINE Land Cover” (CLC) adaptada para Colombia de diferentes zonas del país obtenidas a partir de imágenes de Sentinel-1. Debido a las limitaciones de la red originalmente planteada se escalaron los datos a valores de 0 a 255 y se utilizó la arquitectura de RestNet50, obteniendo accuracy de 87.9% y 82.9% para el nivel 1 y 2 de CLC respectivamente. En total se utilizaron 9 categorías de las 15 originales del nivel 2 de CLC dado la falta de datos de entrenamiento para ciertas categorías, esto representa limitaciones a nivel de la cantidad de datos que requieren las CNN. Sin embargo, se puede suponer que con mayor cantidad de datos para entrenamiento las métricas y la cantidad de coberturas puede aumentar, lo que muestra un potencial de las técnicas para una futura implementación en la clasificación y obtención de mapas de cobertura terrestre.
Resumen
In recent years Deep Learning, a field of the Artificial Intelligence has come gaining in strength with the advances in technology, inside their different algorithms there the Convolutional Neural Networks (CNN) which are widely used in image classification and object detection. In this paper we use this network with Synthetic Aperture Radar Satellital Images that have the capacity of obtain land photographs independent of atmospheric conditions. We trained this network with classified images applying "CORINE Land Cover" (CLC) adapted to Colombia in some specific country zones using Sentinel-1 Images. Due Limitations with the first designed network, the data was scaled between 0 - 255 values and we used the "RestNet50" architecture, achieving accuracy of 87.9% and 82.9% for CLC level 1 and 2 respectively. In total were used 9 of 15 categories of level 2 CLC, given to the lack of training examples of certain categories, this represent the limitations of the amount of data required by the CNN. Notwithstanding of this limitations, it can be assumed that with more amount of data for training, metric and quantity of covers can increase, this shows great potential for the future application of these techniques in classification and maps creation of the land coverage.
Palabras clave
Inteligencia artificial, Corine Land Cover, Imágenes SAR, Deep learning, Redes neuronales convolucionales, Redes neuronales