Metodología para la generación (detección y clasificación) de cambios de cobertura de la tierra mediante el análisis de imágenes multilaterales basada en algoritmos de deep learning

La presente investigacion presenta los resultados de la aplicación de un marco metodológico para la detección, clasificación y cuantificación de cambios de coberturas por minería y deforestación a través de un análisis multitemporal de imágenes satelitales multiespectrales basado en algoritmos de Deep Learning. El área de interés para la estimación de areas de cambio por mineria corresponde a una región de la Mina a cielo abierto del Cerrejón (Departamento de la Guajira), en el periodo Octubre de 2017 a Noviembre de 2019; mientras que en la zona de detección de deforestacion corresponde a una región del Parque Nacional Natural (PNN) Tinigua y una zona del PNN Cordilleras de los Picachos (departamento del Meta), el periodo diciembre de 2015 a diciembre de 2019. Para la formulacion de dicho marco se realizo la comparación de dos esquemas de detección y clasificacion de cambios mediante la aplicacion de algoritmos de Deep Learning (DL). El primer esquema se baso en la comparación post-clasificación de mapas temáticos de áreas de minería y áreas deforestadas generados por dos arquitecturas de redes neuronales convolucionales (CNN): U-Net y FPN (Feature Pyramidal Network) a lo largo de dos series de tiempo (2017 a 2019 – Mineria y 2015 a 2019 – Deforestacion) de imágenes satelitales multiespectrales Planet. El segundo esquema se basa en la detección directa de cambios entre pares de imágenes satelitales multiespectrales Planet mediante una red UNet modificada. Los resultados indican que la detección de cambios por minería fue mas exacta empleando un esquema de detección directa (kappa superior a 0.9 en cada periodo de la serie de tiempo) frente al esquema de comparación post-clasificacion (kappa entre 0.7 y 0.9). Mientras que la detección de areas deforestadas son mas exactas empleando un esquema de detección de cambios post-clasificacion (kapa promedio 0.97) frente a un kappa promedio de 0.94 del esquema de detección directa. Los resultados obtenidos y los diferentes procesos empleados permitieron plantear un marco metodológico para la detección, delimitación y clasificación de cambios sobre este tipo de coberturas bajo algoritmos de DL de manera oportuna, analizando grandes volumenes de datos y obteniendo una alta exactitud temática en los diferentes esquemas evaluados.

• Autores: Zaraza Aguilera, Maycol Alejandro
• Fecha de publicación: 2022
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/32019
• Acceso en línea: http://hdl.handle.net/11349/32019
• Palabra clave: Minería; Deforestación; Aprendizaje profundo; Detección de cambios; Imágenes satelitales; Series de tiempo; Maestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicas; Detección de cambios de coberturas; Análisis multitemporal de imágenes satelitales; Algoritmos de deep learning; Minería y deforestación; Mining; Deforestation; Deep learning; Change detection; Satellite imagery; Time series
• License: Attribution-NonCommercial-NoDerivatives 4.0 Internacional