Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos
Los ecosistemas de páramo son esenciales para la regulación hídrica y la conservación de la biodiversidad en zonas montañosas. Sin embargo, enfrentan amenazas significativas debido al cambio climático y actividades humanas como agricultura, ganadería y minería. La ausencia de una delimitación clara...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universitat Politècnica de València
2025-01-01
|
| Series: | Revista de Teledetección |
| Subjects: | |
| Online Access: | https://polipapers.upv.es/index.php/raet/article/view/21858 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1841527610968899584 |
|---|---|
| author | Marcela Reyes Iván Lizarazo |
| author_facet | Marcela Reyes Iván Lizarazo |
| author_sort | Marcela Reyes |
| collection | DOAJ |
| description | Los ecosistemas de páramo son esenciales para la regulación hídrica y la conservación de la biodiversidad en zonas montañosas. Sin embargo, enfrentan amenazas significativas debido al cambio climático y actividades humanas como agricultura, ganadería y minería. La ausencia de una delimitación clara y de sistemas de monitoreo continuo de sus coberturas dificultan su protección efectiva resaltando la necesidad de emplear técnicas digitales avanzadas que proporcionen información con alta exactitud y actualizada. Las redes neuronales convolucionales (CNNs, por sus siglas en inglés) se han posicionado como herramientas prometedoras para la segmentación semántica de imágenes satelitales. Esta investigación buscó evaluar el desempeño de dos modelos basados en arquitecturas de CNNs U-Net++ y DeepLabV3+ para clasificar las coberturas de la tierra en el complejo de páramos Tota-Bijagual-Mamapacha (TBM) en Colombia, utilizando imágenes Landsat 8 del periodo 2017 a 2019 y etiquetas del mapa nacional de coberturas 1:100 000 del IDEAM de 2018. Los resultados mostraron que U-Net++ alcanzó un kappa de 0,60, mientras que DeepLabV3+ obtuvo un kappa de 0,59. En las coberturas de páramo, U-Net++ logró un valor F1 del 78,43% para Herbazal y del 79,22% para Bosques, mientras que DeepLabV3+ alcanzó un valor F1 del 75% y 74,27%, respectivamente, confirmando el potencial de las CNNs para la clasificación de coberturas en estos ecosistemas. Aunque ambos modelos presentaron tiempos de procesamiento similares, el desbalance de clases y la dependencia de etiquetas consistentes afectaron su rendimiento en coberturas heterogéneas. Esta investigación establece una base metodológica para futuros estudios y sugiere abordar estas limitaciones para mejorar la eficiencia y la exactitud temática en la clasificación y monitoreo de ecosistemas de páramo. |
| format | Article |
| id | doaj-art-7001956b0c2d426987346a4a63fc233c |
| institution | Kabale University |
| issn | 1133-0953 1988-8740 |
| language | English |
| publishDate | 2025-01-01 |
| publisher | Universitat Politècnica de València |
| record_format | Article |
| series | Revista de Teledetección |
| spelling | doaj-art-7001956b0c2d426987346a4a63fc233c2025-01-15T11:29:23ZengUniversitat Politècnica de ValènciaRevista de Teledetección1133-09531988-87402025-01-016510.4995/raet.2025.2185821047Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramosMarcela ReyesIván Lizarazohttps://orcid.org/0000-0002-9954-6921Los ecosistemas de páramo son esenciales para la regulación hídrica y la conservación de la biodiversidad en zonas montañosas. Sin embargo, enfrentan amenazas significativas debido al cambio climático y actividades humanas como agricultura, ganadería y minería. La ausencia de una delimitación clara y de sistemas de monitoreo continuo de sus coberturas dificultan su protección efectiva resaltando la necesidad de emplear técnicas digitales avanzadas que proporcionen información con alta exactitud y actualizada. Las redes neuronales convolucionales (CNNs, por sus siglas en inglés) se han posicionado como herramientas prometedoras para la segmentación semántica de imágenes satelitales. Esta investigación buscó evaluar el desempeño de dos modelos basados en arquitecturas de CNNs U-Net++ y DeepLabV3+ para clasificar las coberturas de la tierra en el complejo de páramos Tota-Bijagual-Mamapacha (TBM) en Colombia, utilizando imágenes Landsat 8 del periodo 2017 a 2019 y etiquetas del mapa nacional de coberturas 1:100 000 del IDEAM de 2018. Los resultados mostraron que U-Net++ alcanzó un kappa de 0,60, mientras que DeepLabV3+ obtuvo un kappa de 0,59. En las coberturas de páramo, U-Net++ logró un valor F1 del 78,43% para Herbazal y del 79,22% para Bosques, mientras que DeepLabV3+ alcanzó un valor F1 del 75% y 74,27%, respectivamente, confirmando el potencial de las CNNs para la clasificación de coberturas en estos ecosistemas. Aunque ambos modelos presentaron tiempos de procesamiento similares, el desbalance de clases y la dependencia de etiquetas consistentes afectaron su rendimiento en coberturas heterogéneas. Esta investigación establece una base metodológica para futuros estudios y sugiere abordar estas limitaciones para mejorar la eficiencia y la exactitud temática en la clasificación y monitoreo de ecosistemas de páramo.https://polipapers.upv.es/index.php/raet/article/view/21858parámoteledetecciónredes neuronales convolucionalessegmentación semántica |
| spellingShingle | Marcela Reyes Iván Lizarazo Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos Revista de Teledetección parámo teledetección redes neuronales convolucionales segmentación semántica |
| title | Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_full | Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_fullStr | Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_full_unstemmed | Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_short | Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_sort | modelo de segmentacion semantica de imagenes satelitales basado en redes neuronales convolucionales para la clasificacion de cobertura de la tierra en paramos |
| topic | parámo teledetección redes neuronales convolucionales segmentación semántica |
| url | https://polipapers.upv.es/index.php/raet/article/view/21858 |
| work_keys_str_mv | AT marcelareyes modelodesegmentacionsemanticadeimagenessatelitalesbasadoenredesneuronalesconvolucionalesparalaclasificaciondecoberturadelatierraenparamos AT ivanlizarazo modelodesegmentacionsemanticadeimagenessatelitalesbasadoenredesneuronalesconvolucionalesparalaclasificaciondecoberturadelatierraenparamos |