Aprendizaje profundo en clasificación de cultivos en imágenes satelitales
En países donde la agricultura posee un rol fundamental en lo que respecta a su economía, resulta de vital importancia el planeamiento estratégico para la correcta utilización de los territorios y recursos disponibles. Para ello, el sensado remoto es una gran herramienta que, en combinación con otr...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2021
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/1113/1/1Scalambrin.pdf |
| Aporte de: |
| id |
I25-R131-1113 |
|---|---|
| record_format |
dspace |
| institution |
Instituto Balseiro |
| institution_str |
I-25 |
| repository_str |
R-131 |
| collection |
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) |
| language |
Español |
| orig_language_str_mv |
es |
| topic |
Aprendizaje profundo Sensado remoto Machine learning Aprendizaje automático Remote sensing Detección a distancia [Satellite image Imágenes satelitales Image segmentation Segmentación Crop classification Clasificación de cultivos Deep learning Aprendizaje profundo Remote sensing Sensado remoto] |
| spellingShingle |
Aprendizaje profundo Sensado remoto Machine learning Aprendizaje automático Remote sensing Detección a distancia [Satellite image Imágenes satelitales Image segmentation Segmentación Crop classification Clasificación de cultivos Deep learning Aprendizaje profundo Remote sensing Sensado remoto] Scalambrin, Luca Aprendizaje profundo en clasificación de cultivos en imágenes satelitales |
| topic_facet |
Aprendizaje profundo Sensado remoto Machine learning Aprendizaje automático Remote sensing Detección a distancia [Satellite image Imágenes satelitales Image segmentation Segmentación Crop classification Clasificación de cultivos Deep learning Aprendizaje profundo Remote sensing Sensado remoto] |
| description |
En países donde la agricultura posee un rol fundamental en lo que respecta a su economía, resulta de vital importancia el planeamiento estratégico para la correcta utilización de los territorios y recursos disponibles. Para ello, el sensado remoto es una gran
herramienta que, en combinación con otras tecnologías, ha permitido lograr grandes avances en lo que respecta a la automatización de los procesos implicados en la gestión de recursos. En el presente trabajo se desarrolló un fujo de trabajo que permite llevar
a cabo el proceso de clasificación de cultivos mediante el uso de técnicas de inteligencia artificial e imágenes satelitales de la misión Sentinel-2 [1], lo cual puede contribuir en la toma de decisiones y, a su vez, permitiría ayudar en la adopción de prácticas que garanticen la preservación del suelo y del medio ambiente. En este proceso se implementó un segmentador y un clasificador basados en arquitecturas de redes neuronales profundas que probaron ser parte del estado del arte en sus respectivas áreas de desarrollo.
Para el segmentador se implementó una red conocida como ResUNet-a [2], la cual posee una estructura de encoding-decoding que deriva de la típica red U-Net que ha probado ser muy versátil en lo que respecta a la segmentación [3{6]. Dicha red fue entrenada con la región correspondiente a la zona de Pergamino en la provincia de Buenos Aires, con la cual se obtuvo un accuracy del 85.8% y un Coeficiente Dice(ver sección 2.3.4) del 73 %, logrando una contribución positiva a resultados obtenidos previamente por INVAP-FRONTEC utilizando métodos clásicos (random forest, principalmente). Esto es de particular interés porque suplementa los métodos previos con un enfoque desde el campo del Aprendizaje Profundo y permitiría a INVAP-FRONTEC realizar inferencias de mayor robustez. Luego, este modelo permitió segmentar la región de General López de la provincia de Santa Fe, debido a que los cultivos del dataset a emplearse en la clasificación corresponden a esta última región.
Para llevar a cabo la clasificación se implementó una arquitectura innovadora propuesta en [7] que, esencialmente, posee tres bloques fundamentales, los cuales permiten realizar una extracción de features a través de correlaciones temporales y espectrales, para luego realizar la clasificación. A partir de esta red y de la segmentación previa, fue posible la implementación de 3 procesos diferentes para la aumentación de datos. En primer lugar se utilizaron únicamente los puntos a clasificar, mientras que en los otros dos casos se dio uso, además, de los segmentos obtenidos previamente con el segmentador. Si bien los resultados obtenidos fueron similares a los obtenidos en la competencia de la Fundación Sadosky de la cual se obtuvieron los datos [8], considerando la métrica allí empleada, el mejor desempeño se obtuvo a partir del proceso en el cual se realizó un sampleo aleatorio dentro de los segmentos correspondientes a los diferentes campos de cultivos (ver sección 3.4.2). Con este ultimo proceso se logró un accuracy del 83.4% y un balanced accuracy de 57 %, el cual es superior al obtenido por el resultado ganador de la competencia [8]. Finalmente, un ultimo análisis permitió concluir que la banda NIR junto con las 3 bandas de la región visible son, al menos para el set de datos aquí empleado, las bandas que representan la información más relevante para clasificar cultivos. |
| format |
Tesis NonPeerReviewed |
| author |
Scalambrin, Luca |
| author_facet |
Scalambrin, Luca |
| author_sort |
Scalambrin, Luca |
| title |
Aprendizaje profundo en clasificación de cultivos en imágenes satelitales |
| title_short |
Aprendizaje profundo en clasificación de cultivos en imágenes satelitales |
| title_full |
Aprendizaje profundo en clasificación de cultivos en imágenes satelitales |
| title_fullStr |
Aprendizaje profundo en clasificación de cultivos en imágenes satelitales |
| title_full_unstemmed |
Aprendizaje profundo en clasificación de cultivos en imágenes satelitales |
| title_sort |
aprendizaje profundo en clasificación de cultivos en imágenes satelitales |
| publishDate |
2021 |
| url |
http://ricabib.cab.cnea.gov.ar/1113/1/1Scalambrin.pdf |
| work_keys_str_mv |
AT scalambrinluca aprendizajeprofundoenclasificaciondecultivosenimagenessatelitales |
| _version_ |
1812569754741768192 |
| spelling |
I25-R131-11132022-09-19T14:36:45Z Aprendizaje profundo en clasificación de cultivos en imágenes satelitales Deep learning in crop classification in satellite imagery Scalambrin, Luca Aprendizaje profundo Sensado remoto Machine learning Aprendizaje automático Remote sensing Detección a distancia [Satellite image Imágenes satelitales Image segmentation Segmentación Crop classification Clasificación de cultivos Deep learning Aprendizaje profundo Remote sensing Sensado remoto] En países donde la agricultura posee un rol fundamental en lo que respecta a su economía, resulta de vital importancia el planeamiento estratégico para la correcta utilización de los territorios y recursos disponibles. Para ello, el sensado remoto es una gran herramienta que, en combinación con otras tecnologías, ha permitido lograr grandes avances en lo que respecta a la automatización de los procesos implicados en la gestión de recursos. En el presente trabajo se desarrolló un fujo de trabajo que permite llevar a cabo el proceso de clasificación de cultivos mediante el uso de técnicas de inteligencia artificial e imágenes satelitales de la misión Sentinel-2 [1], lo cual puede contribuir en la toma de decisiones y, a su vez, permitiría ayudar en la adopción de prácticas que garanticen la preservación del suelo y del medio ambiente. En este proceso se implementó un segmentador y un clasificador basados en arquitecturas de redes neuronales profundas que probaron ser parte del estado del arte en sus respectivas áreas de desarrollo. Para el segmentador se implementó una red conocida como ResUNet-a [2], la cual posee una estructura de encoding-decoding que deriva de la típica red U-Net que ha probado ser muy versátil en lo que respecta a la segmentación [3{6]. Dicha red fue entrenada con la región correspondiente a la zona de Pergamino en la provincia de Buenos Aires, con la cual se obtuvo un accuracy del 85.8% y un Coeficiente Dice(ver sección 2.3.4) del 73 %, logrando una contribución positiva a resultados obtenidos previamente por INVAP-FRONTEC utilizando métodos clásicos (random forest, principalmente). Esto es de particular interés porque suplementa los métodos previos con un enfoque desde el campo del Aprendizaje Profundo y permitiría a INVAP-FRONTEC realizar inferencias de mayor robustez. Luego, este modelo permitió segmentar la región de General López de la provincia de Santa Fe, debido a que los cultivos del dataset a emplearse en la clasificación corresponden a esta última región. Para llevar a cabo la clasificación se implementó una arquitectura innovadora propuesta en [7] que, esencialmente, posee tres bloques fundamentales, los cuales permiten realizar una extracción de features a través de correlaciones temporales y espectrales, para luego realizar la clasificación. A partir de esta red y de la segmentación previa, fue posible la implementación de 3 procesos diferentes para la aumentación de datos. En primer lugar se utilizaron únicamente los puntos a clasificar, mientras que en los otros dos casos se dio uso, además, de los segmentos obtenidos previamente con el segmentador. Si bien los resultados obtenidos fueron similares a los obtenidos en la competencia de la Fundación Sadosky de la cual se obtuvieron los datos [8], considerando la métrica allí empleada, el mejor desempeño se obtuvo a partir del proceso en el cual se realizó un sampleo aleatorio dentro de los segmentos correspondientes a los diferentes campos de cultivos (ver sección 3.4.2). Con este ultimo proceso se logró un accuracy del 83.4% y un balanced accuracy de 57 %, el cual es superior al obtenido por el resultado ganador de la competencia [8]. Finalmente, un ultimo análisis permitió concluir que la banda NIR junto con las 3 bandas de la región visible son, al menos para el set de datos aquí empleado, las bandas que representan la información más relevante para clasificar cultivos. In countries where agriculture plays a fundamental role in regard to their economy, strategic planning is of vital importance for the correct use of available territories and resources. For this, remote sensing is a great tool that, in combination with other technologies, has made it possible to achieve great advances in terms of automating the processes involved in resource management. In the present work, a work flow was developed that allows carrying out the crop classication process through the use of articial intelligence techniques and satellite images of the Sentinel-2 mission [1], which can contribute to decision-making and , in turn, it will help to adopt practices that guarantee the preservation of the soil and the environment. In this process, a segmenter and a classier based on deep neural network architectures were implemented, which proved to be part of the state of the art in their respective development areas. For the segmenter, a network known as ResUNet-a was implemented [2], which has an encoding-decoding structure that derives from the typical U-Net network that has proven to be very versatile with regard to segmentation [3-6]. This network was trained with the region corresponding to the Pergamino area in the province of Buenos Aires and an accuracy of 85.8% was obtained, together with a Dice Coefficient (see section 2.3.4) of 73%, achieving a positive contribution to the results previously obtained by INVAP-FRONTEC using classical methods (mainly random forest). This is of particular interest because it supplements the previous methods with an approach from the eld of Deep Learning and will allow INVAP-FRONTEC to make more robust inferences. Then, this model allowed segmenting the General López region of the Santa Fe province, which corresponds to the territory that contains the elements of the dataset used for the classication process. To carry out the classication, an innovative architecture proposed in [7] was implemented, which essentially has three fundamental blocks, which allow to carry out an extraction of features through temporal and spectral correlations, and then carry out the classication. From this network and the previous segmentation results, it was possible to implement 3 different processes for data augmentation. In the first place, only the points to be classied were used, while in the other two cases, the segments previously obtained with the segmenter were also used. Although the results obtained were similar to those obtained in the Sadosky Foundation competition from which the data was obtained [8], considering the metric used there, the best performance was obtained from the process in which it was carried out a random sampling within the segments corresponding to the different crop elds (see section 3.4.2). With this last process, an accuracy of 83.4% and a balanced accuracy of 57% were achieved, which is higher than that obtained by the winning result of the competition. Finally, a last analysis allowed us to conclude that the NIR band together with the 3 bands of the visible region are, at least for the dataset used here, the bands that represent the most relevant information to classify crops. 2021-12-20 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1113/1/1Scalambrin.pdf es Scalambrin, Luca (2021) Aprendizaje profundo en clasificación de cultivos en imágenes satelitales / Deep learning in crop classification in satellite imagery. Proyecto Integrador Ingeniería en Telecomunicaciones, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1113/ |