CACTU: Complemento de actualización urbana para la clasificación de imágenes de alta resolución mediante redes neuronales convolucionales.

Fecha

Autor corporativo

Título de la revista

ISSN de la revista

Título del volumen

Editor

Compartir

Altmetric

Resumen

Throughout this document, the development of a complement that allows the identification of physical changes in non-urbanized urbanizable lots is exposed, by means of multi-temporal comparison and coverage classification between two high-resolution images on free geographic-type software such as QGIS. , which allows any user to generate a raster file that defines the probability of constructive changes in a particular area during the period between the images by loading a comparison base image and an image from a later time. , specific case of the application, those areas that went from being an undeveloped lot to presenting some type of construction or vice versa. This plugin performs image processing through supervised learning with convolutional neural networks, where a previous training phase is carried out, based on 60% of the total samples duly labeled in the defined classes (Built and not built). ), to subsequently verify it with the 40% of the remaining samples, generating a correspondence validation of the class that it predicts, with respect to the previously labeled class. Subsequently, with the model already trained, the classification of an image with a later date than the one used in the training is carried out, predicting the probability of whether a pixel corresponds to a construction or not. Finally, the plugin performs a subtraction between the two classifications, the input and the predicted one, thus generating a cover change probability raster. Once the input is generated, the user will be able to make the right decisions regarding the work plan, allowing the establishment of optimal areas and routes for gathering information in the field, focusing resources on areas where changes in real estate dynamics are detected. .

Descripción

Este complemento realiza el procesamiento de las imágenes mediante un aprendizaje supervisado con redes neuronales convolucionales, donde se lleva a cabo una fase previa de entrenamiento, tomando como base el 60% del total de las muestras debidamente etiquetadas en las clases definidas (Construido y no construido), para posteriormente comprobarlo con el 40% de las muestras restantes, generando una validación de correspondencia de la clase que predice, respecto a la clase etiquetada anteriormente. Posteriormente, con el modelo ya entrenado, se lleva a cabo la clasificación de una imagen de fecha posterior a la utilizada en el entrenamiento, prediciendo la probabilidad de si un pixel corresponde a una construcción o no. Finalmente, el complemento realiza una resta entre las dos clasificaciones, la de entrada y la predicha, generando así un ráster de probabilidad de cambio de cobertura. Una vez generado el insumo, el usuario estará en la capacidad de tomar decisiones acertadas frente al plan de trabajo, permitiendo establecer áreas y rutas óptimas para el levantamiento de información en campo, enfocando los recursos en las zonas donde se detectan cambios en la dinámica inmobiliaria.

Palabras clave

QGIS, Plugin, Catastro, Complemento, Redes neuronales convolucionales, Imágenes alta resolución

Materias

Especialización en Sistemas de Información Geográfica - Tesis y disertaciones académicas , Redes neurales (Computadores) , Desarrollo de programas para computador , Python (Lenguaje de programación de computadores) , Procesamiento de imágenes , Reconocimiento de suelos

Citación