Uso de Redes Neuronales Artificiales y Computación en la Nube para clasificar la cobertura del suelo en territorio ecuatoriano

Marco Javier Castelo-Cabay, Gustavo Iván Buñay-Gualoto, Byron Geovanny Pillajo-Landa

Resumen


Los gobiernos locales, seccionales y nacionales utilizan mapas de cobertura del suelo en la toma de decisiones políticas, ambientales, seguridad alimentaria, entre otras; la siguiente investigación presentó una nueva alternativa para realizar estos mapas mediante herramientas de computación en la nube como: Google Earth Engine, Google Colaboratory, Google Cloud Storange y Redes Neuronales Artificiales. La clasificación se realizó en la zona centro del territorio ecuatoriano específicamente en la provincia de Chimborazo abarcando una extensión de 6500 km2. Se creó una Red Neuronal Artificial usando Tensor Flow y Keras, se clasificaron cinco tipos de cobertura, vegetativo, no vegetativo, agua, nieve y árboles; la arquitectura de la red es de tipo profunda con una entrada de 1024 neuronas, varias capas intermedias de 512, 256, 128 neuronas con una función de activación relu y un de dropout de 0.2 entre cada capa que evita el sobre ajuste; una función de salida para cinco clases con una función de activación softmax. La red neuronal fue entrenada durante 100 épocas, tras evaluar el modelo se obtuvo una precisión del 92% en las clasificaciones y una pérdida del 13%. La utilización de plataformas en la nube contribuye al procesamiento de grandes cantidades de datos con capacidad de almacenamiento y procesamiento para realizar la clasificación de amplias coberturas. Además de esto el utilizar redes neuronales artificiales en imágenes satelitales es un campo en expansión que está dando buenos resultados.


Palabras clave


Redes Neuronales Artificiales; imágenes satelitales; clasificación de la cobertura.

Texto completo:

PDF HTML XML

Referencias


Aldás Andrade, A. P. (2019, April 29). Análisis de la dinámica temporal del índice de vegetación de diferencia normalizada (NDVI) para los años 1986, 2001 y 2017 en la Reserva Ecológica Cotacachi Cayapas, Imbabura, mediante el uso de google Earth Engine [Tesis de Grado, Universidad Católica del Ecuador]. http://repositorio.puce.edu.ec/handle/22000/16619.

Amani , M., Kakooei, M., Armin, M. 3, Ghorbanian , A., Ranjgar , B., Mahdavi , S., … Mohammadzadeh, A. (2020). Application of Google Earth Engine Cloud Computing Platform, Sentinel Imagery, and Neural Networks for Crop Mapping in Canada. Remote Sensing,12(21). https://doi.org/10.3390/rs12213561

Avila Tomás, J. F., Mayer Pujadas, M. A., y Quesada Varela, V. J. (2020). La inteligencia artificial y sus aplicaciones en medicina I: introducciones antecedentes a la IA y robótica. Atención Primaria, 52(10), 778–784. https://doi.org/DOI: 10.1016/j.aprim.2020.04.013

Berra, E. (2017). Eficiencia de las redes neuronales para la toma de decisiones en el sector agrícola análisis exploratorio. Reaxion, (2).

Burgal, J. (20 de junio de 2018). Deep Learning básico con Keras (Parte 1). En Mi Local Funciona. https://enmilocalfunciona.io/deep-learning-basico-con-keras-parte-1/.

Cartaya Ríos, S., Zurita Alfaro, S., Rodríguez Ríos, E., y Montalvo Párraga, V. (2014). Comparación de técnicas para determinar cobertura vegetal y usos de la tierra en áreas de interés ecológico, Manabí, Ecuador. REVISTA UD Y LA GEOMÁTICA, (9), 5–17. https://doi.org/10.14483/23448407.7883

Escandón, J., Ordóñez, J. A., Nieto de Pascual, M. C. del C., y Ordóñez , M. de J. (2018). Cambio en la cobertura vegetal y uso del suelo del 2000 al 2009 en Morelos, México. Revista Mexicana De Ciencias Forestales, 9(46). https://doi.org/10.29298/rmcf.v9i46.135

Fernández Fierro, A. A., Rosero Erazo, C. R., Beltrán Dávalos, A. A., y Echeverría-Guadalupe, M. M. (2020). Caracterización y dinámica de la cobertura de suelo mediante teledetección: Caso de estudio volcán Tungurahua, Ecuador. Dominio De Las Ciencias, 6(2), 906–938. http://dx.doi.org/10.23857/dc.v6i2.1201

Geewax, J. J. (agosto de 2018). Google Cloud Platform in Action. Manning Publications. https://www.manning.com/books/google-cloud-platform-in-action.

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., y Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment,202(2017),18-27. https://doi.org/10.1016/j.rse.2017.06.031

Jaramillo, L. V., y Antunes, A. F. (2018). Detección de cambios en la cobertura vegetal mediante interpretación de imágenes Landsat por redes neuronales artificiales (RNA). Caso de estudio: Región Amazónica Ecuatoriana. REVISTA DE TELEDETECCIÓN, 51, 33–46. https://doi.org/10.4995/raet.2018.8995

Kebria, P. M., Nahavandi, S., Salaken, S. M., y Khosravi, A. (2020). Deep imitation learning for autonomous vehicles based on convolutional neural networks. EEE/CAA Journal of Automatica Sinica, 7(1), 82–95. https://doi.org/10.1109/JAS.2019.1911825.

Kumar, P., Prasad, R., Mishra, V. N., Gupta, D. K., y Singh, S. K. (2016). Artificial neural network for crop classification using C-band RISAT-1 satellite datasets. Russian Agricultural Sciences, 42, 281–284. https://doi.org/10.3103/S1068367416030137

Liu, Y. (18 de febrero de 2020). What is TFRecord and why it's useful for image classification? Medium. https://lyleaf.medium.com/what-is-tfrecord-and-why-its-useful-for-image-classification-7cb3b25299b6.

Ma, Y., Wang, L., Liu, P., y Ranjan, R. (2015). Towards building a data-intensive index for big data computing – A case study of Remote Sensing data processing. Information Sciences, 319,171-188. https://doi:10.1016/j.ins.2014.10.006

Murthy, C. S., Raju, P. V., y Badrinath, K. V. S. (2003). Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks. International Journal of Remote Sensing , 24(23), 4871–4890. https://doi.org/10.1080/0143116031000070490

Perilla, G. A., y Mas, J. F. (2020). Google Earth Engine (GEE): una poderosa herramienta que vincula el potencial de los datos masivos y la eficacia del procesamiento en la nube. Investigaciones Geográficas, 101. https://doi.org/10.14350/rig.59929

Pimple, U., Simonett, D., Sitth, A., Pungkul, S., Leadprathom, K., Skupek, H., … Towprayoon, S. (2018). Google Earth Engine Based Three Decadal Landsat Imagery Analysis for Mapping of Mangrove Forests and Its Surroundings in the Trat Province of Thailan. Journal of Computer and Communications, 6, 247–264.

Pinos, N. (2016). Prospectiva del uso de suelo y cobertura vegetal en el ordenamiento territorial - Caso cantón Cuenca, 5(9).

Sangurima Tito, A. C., y Cuasquer Enríquez, F. B. (2019). Análisis multitemporal de la cobertura vegetal y uso del suelo en la reserva ecológica El Ángel, periodo 1990-2017, Carchi-Ecuador [Tesis de Grado, Universidad Técnica del Norte]. http://repositorio.utn.edu.ec/bitstream/123456789/9408/2/03%20RNR%20321%20TRABAJO%20GRADO.pdf

Sepúlveda Varas, A., Saavedra Briones, P., y Esse, C. (2109). Análisis de cambio de cobertura y uso de suelo en una subcuenca preandina chilena. Herramienta para la sustentabilidad productiva de un territorio. Revista De Geografía Norte Grande, 72. http://dx.doi.org/10.4067/S0718-34022019000100009

Seydi, S. T., Hasanlou, M., y Amani, M. (2020). A New End-to-End Multi-Dimensional CNN Framework for Land Cover/Land Use Change Detection in Multi-Source Remote Sensing Datasets. Remote Sensing, 12(12), 2010. https://doi.org/10.3390/rs12122010

Sharma, A. (29 de diciembre de 2020). Use Google Colab for Deep Learning and Machine Learning Models. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2020/03/google-colab-machine-learning-deep-learning/#1.

Sun , C., Bian , Y., Zhou, T., y Pan, J. (2019). Using of Multi-Source and Multi-Temporal Remote Sensing Data Improves Crop-Type Mapping in the Subtropical Agriculture Region. Sensors, 19(10), 2401. https://doi.org/10.3390/s19102401

Tensorflow. (9 de agosto de 2020) TFRecord and tf.train.Example : TensorFlow Core. TensorFlow. https://www.tensorflow.org/tutorials/load_data/tfrecord.

Tituaña Jami, J. C. (25 ed octubre de 2018). Desarrollo de un método para la clasificación automatizada de imágenes Landsat 8 mediante Redes Neuronales Artificiales. EPN. https://bibdigital.epn.edu.ec/handle/15000/19806?mode=full.

Wahap, N. A., y Shafri, H. Z. M. (2020). Utilization of Google Earth Engine (GEE) for land cover monitoring over Klang Valley, Malaysia. IOP Conference Series: Earth and Environmental Science, 540, 012003. https://doi.org/10.1088/1755-1315/540/1/012003

Zhang, J. J., y Zong, C. Q. (2020). Neural machine translation: Challenges, progress and future. Sci China Tech Sci, 63(10), 2028–2050. https://doi.org/10.1007/s11431-020-1632-x




DOI: https://doi.org/10.23857/pc.v6i5.2628

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/