Clasificación de uso del suelo y vegetación con redes neuronales convolucionales: caso de estudio Cuenca del Río Atoyac-Salado.

Abstract

La clasificación de uso del suelo y vegetación es un ejercicio complejo y difícil de realizar con métodos tradicionales, ya que son costosos, consumen mucho tiempo y requieren la intervención manual de expertos. Los modelos de aprendizaje profundo son altamente capaces de aprender esta semántica compleja, dando resultados similares o superiores, lo que hace plausible su aplicación en la identificación automática de usos del suelo y vegetación a partir de patrones espacio-temporales extraídos de su apariencia, de estudios previos de clasificación e identificación de clases. El objetivo fue construir y probar un modelo de red neuronal convolucional de aprendizaje profundo en la clasificación de 22 clases distintas de cobertura y uso del suelo dentro de la cuenca río Atoyac-Salado, utilizando información obtenida con el Instrumento Multiespectral Sentinel-2. El modelo propuesto se entrenó con una combinación diferente de hiperparámetros donde la precisión depende del optimizador, la función de activación, el tamaño del filtro, la tasa de aprendizaje y el tamaño del lote. El aprendizaje profundo de las redes neuronales convolucionales utilizando una combinación optimizada de parámetros proporcionó una precisión del 84.57% para el conjunto de datos. Para reducir el sobreajuste se empleó un método de regularización llamado dropout que resultó ser muy eficaz. _______________ LAND USE AND VEGETATION CLASSIFICATION WITH CONVOLUTIONAL NEURAL NETWORKS: CASE STUDY OF THE ATOYAC-SALADO RIVER BASIN. ABSTRACT: Land use and vegetation classification is a complex and difficult exercise to perform with traditional methods, as they are costly, time-consuming and require manual intervention by experts. Deep learning models are highly capable of learning this complex semantics, giving similar or superior results, which makes plausible their application in the automatic identification of land use and vegetation from spatio-temporal patterns extracted from their appearance, from previous classification studies and class identification. The objective was to build and test a deep learning convolutional neural network model in the classification of 22 different land cover and land use classes within the Atoyac-Salado river basin, using information obtained with the Sentinel-2 Multispectral Instrument. The proposed model was trained with a different combination of hyperparameters where the accuracy depends on the optimizer, activation function, filter size, learning rate and lot size. Deep learning of convolutional neural networks using an optimized combination of parameters provided an accuracy of 84.57% for the data set. To reduce overfitting, a regularization method called dropout was employed and proved to be very effective.