Clasificación de uso del suelo y vegetación con redes neuronales convolucionales



Título del documento: Clasificación de uso del suelo y vegetación con redes neuronales convolucionales
Revista: Revista mexicana de ciencias forestales
Base de datos: PERIÓDICA
Número de sistema: 000458381
ISSN: 2007-1132
Autores: 1
1
1
2
1
Instituciones: 1Colegio de Postgraduados, Campus Montecillo, Texcoco, Estado de México. México
2Hidráulica y Agricultura Consultores S.A, Ciudad de México. México
Año:
Periodo: Nov-Dic
Volumen: 13
Número: 74
Paginación: 97-119
País: México
Idioma: Español, inglés
Tipo de documento: Artículo
Enfoque: Analítico, descriptivo
Resumen en español La clasificación de uso del suelo y vegetación es un ejercicio complejo y difícil de realizar con métodos tradicionales, por lo que los modelos de aprendizaje profundo son una alternativa para su aplicación debido a que son altamente capaces de aprender esta semántica compleja, lo que hace plausible su aplicación en la identificación automática de usos del suelo y vegetación a partir de patrones espacio-temporales extraídos de su apariencia. El objetivo del presente estudio fue proponer y evaluar un modelo de red neuronal convolucional de aprendizaje profundo para la clasificación de 22 clases distintas de cobertura y uso del suelo ubicadas en la cuenca río Atoyac-Salado. El modelo propuesto se entrenó utilizando datos digitales capturados en 2021 por el satélite Sentinel-2; se aplicó una combinación diferente de hiperparámetros en la cual la precisión del modelo depende del optimizador, la función de activación, el tamaño del filtro, la tasa de aprendizaje y el tamaño del lote. Los resultados proporcionaron una precisión de 84.57 % para el conjunto de datos. Para reducir el sobreajuste se empleó el método de regularización denominado Dropout, que resultó ser muy eficaz. Se comprobó con suficiente precisión que el aprendizaje profundo con redes neuronales convolucionales identifica patrones en los datos de la reflectancia captada por las imágenes del satélite Sentinel-2 para la clasificación el uso de suelo y vegetación en áreas con una dificultad intrínseca en la cuenca del río Atoyac-Salado
Resumen en inglés The classification of land use and vegetation is a complex exercise difficult to perform with traditional methods, thus deep learning models constitute a viable alternative because they are highly capable of learning this complex semantics, a trait which allows their application in the automatic identification of land use and vegetation, based on spatiotemporal patterns derived from their appearance. The objective of this study was to propose and evaluate a deep learning convolutional neural network model for the classification of 22 different land covers and land use classes located in the Atoyac-Salado basin. The proposed model was trained using digital data captured in 2021 by the Sentinel-2 satellite; a different combination of hyperparameters was applied in which the accuracy of the model depends on the optimizer, the activation function, the filter size, the learning rate and the batch size. The results provided an accuracy of 84.57 % for the data set. A regularization method called Dropout was used to reduce overadjustment, with great effectiveness. It was proven with sufficient accuracy that deep learning with convolutional neural networks identifies patterns in the reflectance data captured by Sentinel-2 satellite images for land use and vegetation classification in intrinsically difficult areas of the Atoyac-Salado basin
Disciplinas: Agrociencias,
Biología,
Geografía
Palabras clave: Suelos,
Botánica,
Cartografía,
México,
Clasificación automática,
Cuenca Atoyac-Salado,
Inteligencia artificial,
Sensores remotos
Keyword: Soils,
Cartography,
Botany,
Mexico,
Automatic classification,
Atoyac-Salado basin,
Artificial intelligence,
Remote sensing
Texto completo: Texto completo (Ver HTML) Texto completo (Ver PDF)