hernan

Ojos en la selva


Detección de cambios en la Amazonía usando imágenes satelitales e inteligencia artificial.

La Amazonía enfrenta una creciente deforestación impulsada por diversos factores, como la tala ilegal, la minería, y la expansión urbana y agrícola, lo que pone en peligro su biodiversidad. Para abordar este desafío, se propuso utilizar imágenes satelitales de Sentinel-2 mejoradas mediante técnicas de superresolución y el índice NDVI, con el fin de identificar las áreas afectadas. Se implementó un modelo de inteligencia artificial, reentrenado con datos específicos de la región, que automatiza la detección de cambios en la cobertura forestal. Esta solución permite un monitoreo continuo y preciso, proporcionando información clave para la protección de las zonas más vulnerables.

Team

Metodología

•

Area de estudio

Image model

Localidad de Sucúa - Ecuador

Se seleccionó la región amazónica ecuatoriana de Sucúa como caso de estudio. Se identificaron seis áreas cercanas a la ciudad donde se observaban evidentes zonas de deforestación.

•

Descarga de datos

Image model

Zona 1 - 17/09/2024 - 256x256 px

El proceso de descarga de datos se realizó con una configuración avanzada, seleccionando las bandas 2, 3, 4 y 8, con una resolución de 256x256 píxeles y en formato TIFF de 32 bits. Para cada una de las zonas seleccionadas, se descargó una imagen satelital por año, desde 2016 hasta 2024.

•

Aumento de resolución

Image model

Zona 1 - 17/09/2024 - 1024x1024 px

Antes de mejorar la calidad de las imágenes, se genera una imagen combinada RGB utilizando las bandas 2, 3 y 4. Una vez obtenidas, se emplea la herramienta Pixelcut AI para aumentar la calidad en un factor de 4, lo que da como resultado una imagen de 1024x1024 píxeles con mayor resolución.

•

Creación del conjunto de datos

Image model

Distribución de imágenes satelitales

El nuevo conjunto de datos se organizó en tres carpetas: A (imágenes de una fecha anterior), B (imágenes de una fecha posterior) y Label (máscara en blanco y negro que refleja los cambios). El dataset final constó de 136 registros.

•

Reentrenamiento del modelo BAN

Image model

Proceso de reentrenamiento

El reentrenamiento de la red BAN se realizó en el supercomputador de CEDIA y tomó aproximadamente 3 horas, completando un total de 40,000 épocas, utilizando una GPU de 40GB.

•

Evaluación del modelo

Image model

Comparación de imagen esperada y de salida

Del conjunto de datos, se seleccionaron 10 ejemplos que no fueron utilizados durante el reentrenamiento de la red BAN, para evaluar su rendimiento. Se llevó a cabo una comparación visual y de métricas, lo que permitió concluir que el modelo es altamente eficaz en la identificación de cambios en imágenes satelitales.

Arquitectura del Sistema

Imagen del proyecto

Herramientas y Tecnologías Utilizadas

Modelos

•

BAN (Bi-Temporal Adapter Network)

Image model

Esta arquitectura emplea un modelo fundacional preentrenado junto con una rama de adaptadores bitemporales (Bi-TAB) para procesar imágenes capturadas en distintos momentos. Como entrada, se utilizan dos imágenes satelitales de 1024x1024 píxeles, y el resultado es una imagen en blanco y negro del mismo tamaño. En la salida, las áreas en blanco indican cambios en la cobertura vegetal, mientras que las zonas negras representan regiones sin alteraciones.

Saber más
•

ResNetV152

Image model

El modelo de aprendizaje profundo, basado en la arquitectura ResNet, fue preentrenado con datos de Sentinel-2 para clasificar la cobertura del suelo en 10 categorías. Este modelo se utiliza para identificar el tipo de cambio ocurrido entre dos imágenes satelitales bitemporales. Cada polígono blanco de la imagen de salida generada por la red BAN se recorta en figuras rectangulares y se redimensiona a 64x64 píxeles y luego se envía al modelo para su clasificación entregando una etiqueta con el nombre de la clase.

Saber más
•

NDVI (Índice de Vegetación de Diferencia Normalizada)

Image model

No es un modelo como tal, sino el cálculo del NDVI utilizando las bandas B4 y B8 de las imágenes satelitales. Se obtiene el NDVI de cada imagen y se aplica una diferenciación binaria para clasificar y colorear los píxeles. Si no hay cambio, el píxel se colorea de morado; si el valor del píxel en la imagen anterior es mayor que en la posterior, se colorea de amarillo, indicando un cambio de vegetación a no vegetación. Por último, si el valor del píxel en la imagen anterior es menor que en la posterior, se colorea de turquesa, señalando un cambio de no vegetación a vegetación.

Saber más

Visualizador

Resultados

Mejora de imágenes

Imagen A: Original

Zona 6 - 15/08/2017

Sentinel-2 (256x256 píxeles)

Imagen A: Mejorada

Z6- 15/08/2017

Pixelcut AI (1024x1024 píxeles)


Imagen B: Original

Zona 6 - 13/10/2021

Sentinel-2 (256x256 píxeles)

Imagen B: Mejorada

Z6 - 13/10/2021

Pixelcut AI (1024x1024 píxeles)

Deteccion de cambios con la red VS salida esperada

Salida de la Red

Salida esperada

Deteccion de cambios por el NDVI

Detección de Cambios por el NDVI

--- Morado: Sin cambios

--- Turquesa: De no vegetación a vegetación

--- Amarillo: De vegetación a no vegetación

Discusión

Al finalizar el desarrollo de este proyecto, se han identificado algunas limitaciones y posibles direcciones para trabajos futuros, las cuales se describen a continuación:

  • Limitación 1 - Nubosidad en las zonas: Las áreas donde se capturaron las imágenes suelen estar nubladas la mayor parte del tiempo, lo que dificulta un análisis óptimo de las imágenes obtenidas por Sentinel-2. Para este proyecto, se logró recopilar imágenes de los meses de septiembre, octubre y noviembre de cada año, dado que en algunas épocas, meses enteros presentan condiciones de nubosidad persistente.
  • Limitación 2 - Escasez de imágenes etiquetadas: Hay una limitación en la disponibilidad de conjuntos de datos con etiquetas específicas para entrenar modelos de aprendizaje profundo. Este proyecto desarrolló un dataset que identifica zonas de cambio, útil para modelos como BAN. Sin embargo, también se necesita una mayor cantidad de imágenes etiquetadas de Sentinel-2 para tareas de clasificación de cobertura terrestre.
  • Limitación 3 - Acceso limitado a Pixel AI: Pixel AI es una herramienta de inteligencia artificial que mejora la calidad de imágenes, pero debido a su costo, no fue posible optimizar la calidad de todas las imágenes para su uso en la red.
  • Trabajo futuro 1 - Adaptación de la red: Mejorar la red para que acepte diferentes tipos de entradas y no solo imágenes a color, como es el caso de la BAN. Actualmente, la red acepta únicamente dos imágenes en color y devuelve una imagen con los cambios detectados, lo que requiere un preprocesamiento de las imágenes. Sería valioso incorporar capas adicionales para obtener una detección de cambios más detallada.
  • Trabajo futuro 2 - Entrenamiento en diversas zonas: En este proyecto se utilizaron imágenes del cantón Sucúa, en la provincia de Morona Santiago. En el futuro, se podrían incluir otras regiones para reentrenar la red, permitiendo una mayor generalización de los conocimientos.
  • Trabajo futuro 3 - Expansión del sistema: Actualmente, el sistema de visualización muestra la detección de cambios, pero se podría ampliar para incluir la detección de incendios, inundaciones u otros tipos de desastres naturales.