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: |
| Sumario: | 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. |
|---|