El desaf\u00edo de mapear Indonesia Topograf\u00eda<\/strong><\/h2>\nEl tama\u00f1o y la complejidad de Indonesia hacen que la cartograf\u00eda sea una tarea monumental. La Agencia de Informaci\u00f3n Geoespacial (BIG), responsable de la cartograf\u00eda nacional, produce actualmente 13.000 kil\u00f3metros cuadrados de mapas topogr\u00e1ficos al a\u00f1o.<\/p>\n
A este ritmo, cartografiar todo el pa\u00eds llevar\u00eda m\u00e1s de un siglo. Incluso si se excluyen las zonas boscosas, que cubren casi la mitad de Indonesia, completar el territorio restante a\u00fan requerir\u00eda 60 a\u00f1os.<\/p>\n
Este lento progreso choca con prioridades nacionales como la\u00a0Pol\u00edtica de un solo mapa<\/em>, introducida en 2016 para estandarizar los mapas en todos los sectores y evitar conflictos en el uso de la tierra. Ampliar esta pol\u00edtica a mapas a escala 1:5000 es esencial, pero est\u00e1 muy retrasada.<\/p>\nMapas topogr\u00e1ficos<\/strong>\u00a0Son representaciones detalladas de elementos naturales y artificiales de la superficie terrestre, incluyendo elevaciones (colinas, valles), masas de agua, carreteras, edificios y vegetaci\u00f3n.<\/p>\nSirven como herramientas fundamentales para la planificaci\u00f3n de infraestructuras, la respuesta ante desastres y el monitoreo ambiental. Para Indonesia, la creaci\u00f3n de estos mapas a escala 1:5000 (donde 1 cm en el mapa equivale a 50 metros en el terreno) es crucial para la precisi\u00f3n en proyectos como la construcci\u00f3n de carreteras o la modelizaci\u00f3n de inundaciones.<\/p>\n
![\"El](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/The-Challenge-of-Mapping-Indonesias-Topography.webp?resize=810%2C810&ssl=1\")
<\/p>\n
Datos de cobertura del suelo<\/strong>, un subconjunto de mapas topogr\u00e1ficos, se refiere al material f\u00edsico en la superficie de la Tierra, como bosques, \u00e1reas urbanas o agua. A diferencia de\u00a0uso del suelo<\/em>\u00a0(que describe c\u00f3mo los humanos utilizan la tierra, por ejemplo, zonas residenciales o industriales), el enfoque de la tierra se centra en las caracter\u00edsticas observables.<\/p>\nLos mapas precisos de cobertura terrestre ayudan a los gobiernos a rastrear la deforestaci\u00f3n, monitorear la expansi\u00f3n urbana o evaluar la productividad agr\u00edcola. Tradicionalmente, los analistas etiquetan manualmente estas caracter\u00edsticas p\u00edxel a p\u00edxel utilizando fotograf\u00edas a\u00e9reas o im\u00e1genes satelitales, un proceso que consume mucho tiempo y es propenso a errores humanos.<\/p>\n
Por ejemplo, identificar carreteras o edificios peque\u00f1os en zonas urbanas densamente pobladas puede llevar d\u00edas de trabajo minucioso. El estudio de 2025 aborda este problema sustituyendo el trabajo manual por inteligencia artificial, concretamente aprendizaje profundo, para automatizar la clasificaci\u00f3n de la cobertura del suelo.<\/p>\n
An\u00e1lisis de im\u00e1genes satelitales impulsado por IA\u00a0<\/strong><\/h2>\nLa investigaci\u00f3n se centr\u00f3 en la ciudad de Mataram, un \u00e1rea urbana peque\u00f1a pero diversa en la isla de Lombok, como caso de estudio. El equipo utiliz\u00f3\u00a0Im\u00e1genes satelitales de las Pl\u00e9yades<\/strong>\u00a0desde 2015, que inclu\u00eda datos pancrom\u00e1ticos (0,5 metros) y multiespectrales (2 metros) de alta resoluci\u00f3n.<\/p>\nLas im\u00e1genes pancrom\u00e1ticas capturan detalles espaciales finos en escala de grises, mientras que las im\u00e1genes multiespectrales proporcionan informaci\u00f3n de color e infrarroja en rangos de longitud de onda espec\u00edficos (por ejemplo, rojo, verde, azul, infrarrojo cercano).<\/p>\n
Para combinar estas ventajas, los investigadores aplicaron una t\u00e9cnica llamada pancrom\u00e1tica, que fusiona los datos en escala de grises de alta resoluci\u00f3n con im\u00e1genes en color de menor resoluci\u00f3n. Este proceso produjo im\u00e1genes n\u00edtidas y detalladas con una resoluci\u00f3n de 0,5 metros, ideales para detectar elementos peque\u00f1os como carreteras o edificios individuales.<\/p>\n
La mejora de la nitidez panor\u00e1mica es vital porque conserva la rica informaci\u00f3n espectral de los datos multiespectrales al tiempo que mejora la claridad espacial, lo que garantiza que los colores se alineen con precisi\u00f3n con las caracter\u00edsticas f\u00edsicas.<\/p>\n
A continuaci\u00f3n, el equipo extrajo informaci\u00f3n adicional de las im\u00e1genes para mejorar la precisi\u00f3n de la clasificaci\u00f3n. Calcularon el \u00cdndice de Vegetaci\u00f3n de Diferencia Normalizada (NDVI), una medida de la salud de las plantas derivada de la reflexi\u00f3n de la luz infrarroja cercana (NIR) y roja.<\/p>\n
La vegetaci\u00f3n sana refleja m\u00e1s luz infrarroja cercana y absorbe m\u00e1s luz roja debido a la actividad de la clorofila. La f\u00f3rmula\u00a0NDVI=(NIR\u2212Rojo)\/(NIR+Rojo)<\/span>NDVI<\/span><\/span>=<\/span><\/span>(<\/span>NIR<\/span><\/span>\u2212<\/span><\/span>Rojo<\/span><\/span>)<\/span>\/<\/span>(<\/span>NIR<\/span><\/span>+<\/span><\/span>Rojo<\/span><\/span>)<\/span><\/span><\/span><\/span>\u00a0Produce valores entre -1 y 1, donde los valores m\u00e1s altos indican una vegetaci\u00f3n m\u00e1s densa y saludable.<\/p>\nEl NDVI es fundamental para distinguir bosques, tierras de cultivo y espacios verdes urbanos. Por ejemplo, en este estudio, el NDVI ayud\u00f3 a diferenciar entre plantaciones frondosas y suelo desnudo.<\/p>\n
An\u00e1lisis de textura<\/strong>\u00a0Este fue otro paso clave. Mediante un m\u00e9todo estad\u00edstico denominado Matriz de Coocurrencia de Niveles de Gris (GLCM, por sus siglas en ingl\u00e9s), los investigadores cuantificaron patrones en las im\u00e1genes, como la rugosidad de los campos agr\u00edcolas frente a la suavidad de las carreteras pavimentadas.<\/p>\nGLCM funciona analizando con qu\u00e9 frecuencia aparecen en una imagen pares de p\u00edxeles con valores espec\u00edficos y relaciones espaciales (por ejemplo, adyacentes horizontalmente). A partir de esta matriz, se obtienen m\u00e9tricas como\u00a0homogeneidad<\/em>\u00a0(uniformidad de los valores de los p\u00edxeles),\u00a0contraste<\/em>\u00a0(variaciones de intensidad local) y\u00a0entrop\u00eda<\/em>\u00a0(aleatoriedad en la distribuci\u00f3n de p\u00edxeles) se calculan.<\/p>\nEstas m\u00e9tricas de textura ayudaron al modelo de IA a diferenciar entre tipos de cobertura terrestre de aspecto similar; por ejemplo, a distinguir entre carreteras asfaltadas y parches de tierra oscura.<\/p>\n
Para simplificar los datos, el equipo aplic\u00f3\u00a0An\u00e1lisis de Componentes Principales (ACP)<\/strong>, una t\u00e9cnica que identifica los patrones m\u00e1s significativos en un conjunto de datos. El PCA reduce la redundancia al transformar variables correlacionadas (por ejemplo, m\u00faltiples bandas de textura) en un conjunto m\u00e1s peque\u00f1o de componentes no correlacionados.<\/p>\nEn este estudio, el an\u00e1lisis de componentes principales (PCA) condens\u00f3 cinco bandas de textura en dos componentes principales, conservando 95% de la informaci\u00f3n original. Esto simplific\u00f3 la entrada para el modelo de aprendizaje profundo, mejorando tanto la precisi\u00f3n como la eficiencia computacional.<\/p>\n
Aprendizaje profundo U-Net para la cobertura del suelo <\/strong>Topograf\u00eda<\/strong><\/h2>\nEl n\u00facleo del estudio fue un modelo de aprendizaje profundo basado en la arquitectura U-Net, un tipo de red neuronal convolucional (CNN) ampliamente utilizada en tareas de segmentaci\u00f3n de im\u00e1genes.<\/p>\n
La red U-Net, cuyo nombre se debe a su dise\u00f1o en forma de U, consta de dos partes principales: un codificador que analiza la imagen para extraer caracter\u00edsticas jer\u00e1rquicas (por ejemplo, bordes, texturas) y un decodificador que reconstruye la imagen con etiquetas a nivel de p\u00edxel.<\/p>\n
El codificador utiliza capas convolucionales y agrupamiento para reducir la resoluci\u00f3n de la imagen, capturando patrones generales, mientras que el decodificador aumenta la resoluci\u00f3n de los datos para restaurar la resoluci\u00f3n espacial. Las conexiones de salto entre las capas del codificador y del decodificador preservan los detalles finos, lo que permite una detecci\u00f3n precisa de los l\u00edmites, una caracter\u00edstica fundamental para mapear carreteras estrechas o edificios de forma irregular.<\/p>\n
![\"Distribuci\u00f3n](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/Distribution-of-Land-Cover-Classes-in-Dataset.png?resize=810%2C585&ssl=1\")
<\/p>\n
El modelo utiliz\u00f3 una arquitectura ResNet34, una red preentrenada reconocida por su profundidad y eficiencia. ResNet34 pertenece a la familia de redes residuales, que introduce "conexiones de atajo" para omitir capas, mitigando as\u00ed el problema del gradiente evanescente (donde las redes profundas tienen dificultades para aprender debido a la disminuci\u00f3n de las actualizaciones durante el entrenamiento).<\/p>\n
Al aprovechar la capacidad de ResNet34 para reconocer patrones complejos de ImageNet (una base de datos de im\u00e1genes masiva), el modelo requiri\u00f3 menos datos de entrenamiento y tiempo para adaptarse a las im\u00e1genes satelitales.<\/p>\n
Para entrenar el modelo se necesitaron 1.440 im\u00e1genes, cada una de 512\u00d7512 p\u00edxeles, que cubr\u00edan seis clases de cobertura terrestre: edificios, carreteras, tierras agr\u00edcolas, terrenos bald\u00edos, plantaciones y masas de agua.<\/p>\n
El conjunto de datos presentaba desequilibrios inherentes; las carreteras y los cuerpos de agua representaban solo 3,71 TP3T y 4,21 TP3T de las muestras, respectivamente, mientras que los edificios y las tierras agr\u00edcolas sumaban m\u00e1s de 251 TP3T cada uno. A pesar de este desaf\u00edo, el modelo se entren\u00f3 durante 200 \u00e9pocas \u2014un equilibrio entre precisi\u00f3n y coste computacional\u2014 con un tama\u00f1o de lote de 2 debido a limitaciones de memoria.<\/p>\n
En\u00a0\u00e9poca<\/strong>\u00a0se refiere a una pasada completa de los datos de entrenamiento a trav\u00e9s del modelo, mientras que\u00a0tama\u00f1o del lote<\/strong>\u00a0Determina cu\u00e1ntas muestras se procesan antes de actualizar los par\u00e1metros del modelo. Los tama\u00f1os de lote m\u00e1s peque\u00f1os reducen el uso de memoria, pero pueden ralentizar el entrenamiento.<\/p>\nMejora de mapas mediante procesamiento morfol\u00f3gico<\/strong><\/h2>\nIncluso los mejores modelos de IA producen errores, como clasificar err\u00f3neamente p\u00edxeles aislados o crear bordes dentados alrededor de las caracter\u00edsticas. Para solucionar esto, los investigadores aplicaron el procesamiento morfol\u00f3gico, una t\u00e9cnica que suaviza las imperfecciones mediante operaciones como la erosi\u00f3n y la dilataci\u00f3n.<\/p>\n
La erosi\u00f3n elimina finas capas de p\u00edxeles de los l\u00edmites de los objetos, eliminando peque\u00f1as zonas mal clasificadas, mientras que la dilataci\u00f3n a\u00f1ade p\u00edxeles para expandir los l\u00edmites de los objetos, rellenando huecos en elementos lineales como las carreteras.<\/p>\n
Estas operaciones se basan en un elemento estructurante (una peque\u00f1a matriz) que se desliza sobre la imagen para modificar los valores de los p\u00edxeles. El tama\u00f1o \u00f3ptimo del n\u00facleo para estas operaciones (5\u00d75 p\u00edxeles) se determin\u00f3 mediante an\u00e1lisis de semivarianza, un m\u00e9todo geoestad\u00edstico que cuantifica los patrones espaciales en las im\u00e1genes.<\/p>\n
La semivarianza mide cu\u00e1nto difieren los valores de los p\u00edxeles a diferentes distancias, lo que ayuda a identificar la escala a la que las caracter\u00edsticas de la textura (por ejemplo, los grupos de edificios) son m\u00e1s distintivas.<\/p>\n
La IA mejora la velocidad y la precisi\u00f3n de los mapas.<\/strong><\/h2>\nEl modelo alcanz\u00f3 una precisi\u00f3n inicial de 84% (puntuaci\u00f3n kappa<\/strong>\u00a0= 0,79), que aument\u00f3 a 86% (kappa = 0,81) despu\u00e9s del posprocesamiento. El\u00a0puntuaci\u00f3n kappa<\/strong>\u00a0El coeficiente kappa de Cohen mide la concordancia entre las clasificaciones predichas y las reales, ajustando el efecto del azar.<\/p>\nUna puntuaci\u00f3n de 0,81 indica una concordancia "casi perfecta", superando el rango de 0,61 a 0,80 considerado "sustancial". Los cuerpos de agua y las plantaciones se clasificaron con una precisi\u00f3n casi perfecta (97% y 96%, respectivamente), mientras que las carreteras, que presentan dificultades debido a su forma delgada y lineal y a las sombras, alcanzaron los 85%.<\/p>\n
![\"La](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/AI-Boosts-Mapping-Speed-and-Accuracy.webp?resize=810%2C810&ssl=1\")
<\/p>\n
Los edificios y las tierras agr\u00edcolas tambi\u00e9n obtuvieron buenos resultados, con puntuaciones F1 de 88% y 83%. La puntuaci\u00f3n F1, una media arm\u00f3nica de precisi\u00f3n y exhaustividad, equilibra los falsos positivos y los falsos negativos, lo que la hace ideal para evaluar conjuntos de datos desequilibrados.<\/p>\n
Las mejoras en la eficiencia fueron a\u00fan m\u00e1s notables. El trazado estereosc\u00f3pico tradicional, que implica el etiquetado manual de elementos en im\u00e1genes a\u00e9reas 3D, requiere nueve d\u00edas por hoja de mapa (5,29 km\u00b2) para edificios y vegetaci\u00f3n.<\/p>\n
El enfoque basado en IA redujo este tiempo a 43 minutos por hoja, una mejora de 250 veces. El entrenamiento del modelo requiri\u00f3 inicialmente 17 horas, pero una vez entrenado, pudo clasificar vastas \u00e1reas con una m\u00ednima intervenci\u00f3n humana. Ampliar este sistema podr\u00eda permitir a Indonesia mapear 9000 km\u00b2 anualmente, reduciendo el tiempo de finalizaci\u00f3n previsto de m\u00e1s de un siglo a tan solo 15 a\u00f1os.<\/p>\n
La cartograf\u00eda mediante IA impulsa la sostenibilidad global.<\/strong><\/h2>\nLas implicaciones van mucho m\u00e1s all\u00e1 de Indonesia. La clasificaci\u00f3n automatizada de la cobertura terrestre respalda iniciativas globales como los Objetivos de Desarrollo Sostenible (ODS) de la ONU. Por ejemplo, el seguimiento de la deforestaci\u00f3n (ODS 15) o la expansi\u00f3n urbana (ODS 11) se vuelve m\u00e1s r\u00e1pido y preciso.<\/p>\n
En las regiones propensas a desastres, como las zonas propensas a inundaciones, los mapas actualizados pueden identificar a las comunidades vulnerables y planificar rutas de evacuaci\u00f3n.<\/p>\n
Los agricultores tambi\u00e9n se benefician; los datos precisos sobre la cobertura del suelo permiten una agricultura de precisi\u00f3n, optimizando el uso del agua y el rendimiento de los cultivos mediante el monitoreo de la salud del suelo y el estr\u00e9s de la vegetaci\u00f3n a trav\u00e9s del NDVI.<\/p>\n
Sin embargo, persisten algunos desaf\u00edos. El desempe\u00f1o del modelo en clases poco representadas, como las carreteras, pone de manifiesto la necesidad de contar con datos de entrenamiento equilibrados. En trabajos futuros se podr\u00eda incorporar el aprendizaje por transferencia, una t\u00e9cnica en la que un modelo preentrenado para una tarea (por ejemplo, reconocimiento general de im\u00e1genes) se ajusta para una aplicaci\u00f3n espec\u00edfica (por ejemplo, detecci\u00f3n de carreteras en im\u00e1genes satelitales).<\/p>\n
Esto reduce la necesidad de conjuntos de datos etiquetados masivos, cuya creaci\u00f3n resulta costosa. Probar arquitecturas avanzadas como U-Net3+, que mejora la agregaci\u00f3n de caracter\u00edsticas a diferentes escalas, o modelos basados en transformadores (que destacan por capturar dependencias de largo alcance en im\u00e1genes) podr\u00eda mejorar a\u00fan m\u00e1s la precisi\u00f3n.<\/p>\n
Sin embargo, la integraci\u00f3n de datos Lidar (detecci\u00f3n y medici\u00f3n de luz) o de radar tambi\u00e9n podr\u00eda mejorar los resultados, especialmente en regiones nubosas donde los sat\u00e9lites \u00f3pticos tienen dificultades.<\/p>\n
Conclusi\u00f3n: Una nueva era para la ciencia geoespacial.<\/h2>\n
Este estudio marca un punto de inflexi\u00f3n en la cartograf\u00eda topogr\u00e1fica. Al automatizar la clasificaci\u00f3n de la cobertura del suelo, los pa\u00edses pueden generar mapas precisos de forma m\u00e1s r\u00e1pida y econ\u00f3mica que nunca. Para Indonesia, esta tecnolog\u00eda no es solo una comodidad, sino una necesidad para gestionar su r\u00e1pida urbanizaci\u00f3n, proteger sus bosques y prepararse para los desastres relacionados con el cambio clim\u00e1tico.<\/p>\n
A medida que avanzan la inteligencia artificial y la tecnolog\u00eda satelital, la visi\u00f3n de la cartograf\u00eda en tiempo real y de alta resoluci\u00f3n est\u00e1 al alcance de la mano, lo que permitir\u00e1 a los gobiernos y las comunidades construir un futuro m\u00e1s sostenible.<\/p>\n
Mapas topogr\u00e1ficos<\/strong>\u00a0Son representaciones detalladas de elementos naturales y artificiales de la superficie terrestre, incluyendo elevaciones (colinas, valles), masas de agua, carreteras, edificios y vegetaci\u00f3n.<\/p>\n Sirven como herramientas fundamentales para la planificaci\u00f3n de infraestructuras, la respuesta ante desastres y el monitoreo ambiental. Para Indonesia, la creaci\u00f3n de estos mapas a escala 1:5000 (donde 1 cm en el mapa equivale a 50 metros en el terreno) es crucial para la precisi\u00f3n en proyectos como la construcci\u00f3n de carreteras o la modelizaci\u00f3n de inundaciones.<\/p>\n Datos de cobertura del suelo<\/strong>, un subconjunto de mapas topogr\u00e1ficos, se refiere al material f\u00edsico en la superficie de la Tierra, como bosques, \u00e1reas urbanas o agua. A diferencia de\u00a0uso del suelo<\/em>\u00a0(que describe c\u00f3mo los humanos utilizan la tierra, por ejemplo, zonas residenciales o industriales), el enfoque de la tierra se centra en las caracter\u00edsticas observables.<\/p>\n Los mapas precisos de cobertura terrestre ayudan a los gobiernos a rastrear la deforestaci\u00f3n, monitorear la expansi\u00f3n urbana o evaluar la productividad agr\u00edcola. Tradicionalmente, los analistas etiquetan manualmente estas caracter\u00edsticas p\u00edxel a p\u00edxel utilizando fotograf\u00edas a\u00e9reas o im\u00e1genes satelitales, un proceso que consume mucho tiempo y es propenso a errores humanos.<\/p>\n Por ejemplo, identificar carreteras o edificios peque\u00f1os en zonas urbanas densamente pobladas puede llevar d\u00edas de trabajo minucioso. El estudio de 2025 aborda este problema sustituyendo el trabajo manual por inteligencia artificial, concretamente aprendizaje profundo, para automatizar la clasificaci\u00f3n de la cobertura del suelo.<\/p>\n La investigaci\u00f3n se centr\u00f3 en la ciudad de Mataram, un \u00e1rea urbana peque\u00f1a pero diversa en la isla de Lombok, como caso de estudio. El equipo utiliz\u00f3\u00a0Im\u00e1genes satelitales de las Pl\u00e9yades<\/strong>\u00a0desde 2015, que inclu\u00eda datos pancrom\u00e1ticos (0,5 metros) y multiespectrales (2 metros) de alta resoluci\u00f3n.<\/p>\n Las im\u00e1genes pancrom\u00e1ticas capturan detalles espaciales finos en escala de grises, mientras que las im\u00e1genes multiespectrales proporcionan informaci\u00f3n de color e infrarroja en rangos de longitud de onda espec\u00edficos (por ejemplo, rojo, verde, azul, infrarrojo cercano).<\/p>\n Para combinar estas ventajas, los investigadores aplicaron una t\u00e9cnica llamada pancrom\u00e1tica, que fusiona los datos en escala de grises de alta resoluci\u00f3n con im\u00e1genes en color de menor resoluci\u00f3n. Este proceso produjo im\u00e1genes n\u00edtidas y detalladas con una resoluci\u00f3n de 0,5 metros, ideales para detectar elementos peque\u00f1os como carreteras o edificios individuales.<\/p>\n La mejora de la nitidez panor\u00e1mica es vital porque conserva la rica informaci\u00f3n espectral de los datos multiespectrales al tiempo que mejora la claridad espacial, lo que garantiza que los colores se alineen con precisi\u00f3n con las caracter\u00edsticas f\u00edsicas.<\/p>\n A continuaci\u00f3n, el equipo extrajo informaci\u00f3n adicional de las im\u00e1genes para mejorar la precisi\u00f3n de la clasificaci\u00f3n. Calcularon el \u00cdndice de Vegetaci\u00f3n de Diferencia Normalizada (NDVI), una medida de la salud de las plantas derivada de la reflexi\u00f3n de la luz infrarroja cercana (NIR) y roja.<\/p>\n La vegetaci\u00f3n sana refleja m\u00e1s luz infrarroja cercana y absorbe m\u00e1s luz roja debido a la actividad de la clorofila. La f\u00f3rmula\u00a0NDVI=(NIR\u2212Rojo)\/(NIR+Rojo)<\/span>NDVI<\/span><\/span>=<\/span><\/span>(<\/span>NIR<\/span><\/span>\u2212<\/span><\/span>Rojo<\/span><\/span>)<\/span>\/<\/span>(<\/span>NIR<\/span><\/span>+<\/span><\/span>Rojo<\/span><\/span>)<\/span><\/span><\/span><\/span>\u00a0Produce valores entre -1 y 1, donde los valores m\u00e1s altos indican una vegetaci\u00f3n m\u00e1s densa y saludable.<\/p>\n El NDVI es fundamental para distinguir bosques, tierras de cultivo y espacios verdes urbanos. Por ejemplo, en este estudio, el NDVI ayud\u00f3 a diferenciar entre plantaciones frondosas y suelo desnudo.<\/p>\n An\u00e1lisis de textura<\/strong>\u00a0Este fue otro paso clave. Mediante un m\u00e9todo estad\u00edstico denominado Matriz de Coocurrencia de Niveles de Gris (GLCM, por sus siglas en ingl\u00e9s), los investigadores cuantificaron patrones en las im\u00e1genes, como la rugosidad de los campos agr\u00edcolas frente a la suavidad de las carreteras pavimentadas.<\/p>\n GLCM funciona analizando con qu\u00e9 frecuencia aparecen en una imagen pares de p\u00edxeles con valores espec\u00edficos y relaciones espaciales (por ejemplo, adyacentes horizontalmente). A partir de esta matriz, se obtienen m\u00e9tricas como\u00a0homogeneidad<\/em>\u00a0(uniformidad de los valores de los p\u00edxeles),\u00a0contraste<\/em>\u00a0(variaciones de intensidad local) y\u00a0entrop\u00eda<\/em>\u00a0(aleatoriedad en la distribuci\u00f3n de p\u00edxeles) se calculan.<\/p>\n Estas m\u00e9tricas de textura ayudaron al modelo de IA a diferenciar entre tipos de cobertura terrestre de aspecto similar; por ejemplo, a distinguir entre carreteras asfaltadas y parches de tierra oscura.<\/p>\n Para simplificar los datos, el equipo aplic\u00f3\u00a0An\u00e1lisis de Componentes Principales (ACP)<\/strong>, una t\u00e9cnica que identifica los patrones m\u00e1s significativos en un conjunto de datos. El PCA reduce la redundancia al transformar variables correlacionadas (por ejemplo, m\u00faltiples bandas de textura) en un conjunto m\u00e1s peque\u00f1o de componentes no correlacionados.<\/p>\n En este estudio, el an\u00e1lisis de componentes principales (PCA) condens\u00f3 cinco bandas de textura en dos componentes principales, conservando 95% de la informaci\u00f3n original. Esto simplific\u00f3 la entrada para el modelo de aprendizaje profundo, mejorando tanto la precisi\u00f3n como la eficiencia computacional.<\/p>\n El n\u00facleo del estudio fue un modelo de aprendizaje profundo basado en la arquitectura U-Net, un tipo de red neuronal convolucional (CNN) ampliamente utilizada en tareas de segmentaci\u00f3n de im\u00e1genes.<\/p>\n La red U-Net, cuyo nombre se debe a su dise\u00f1o en forma de U, consta de dos partes principales: un codificador que analiza la imagen para extraer caracter\u00edsticas jer\u00e1rquicas (por ejemplo, bordes, texturas) y un decodificador que reconstruye la imagen con etiquetas a nivel de p\u00edxel.<\/p>\n El codificador utiliza capas convolucionales y agrupamiento para reducir la resoluci\u00f3n de la imagen, capturando patrones generales, mientras que el decodificador aumenta la resoluci\u00f3n de los datos para restaurar la resoluci\u00f3n espacial. Las conexiones de salto entre las capas del codificador y del decodificador preservan los detalles finos, lo que permite una detecci\u00f3n precisa de los l\u00edmites, una caracter\u00edstica fundamental para mapear carreteras estrechas o edificios de forma irregular.<\/p>\n El modelo utiliz\u00f3 una arquitectura ResNet34, una red preentrenada reconocida por su profundidad y eficiencia. ResNet34 pertenece a la familia de redes residuales, que introduce "conexiones de atajo" para omitir capas, mitigando as\u00ed el problema del gradiente evanescente (donde las redes profundas tienen dificultades para aprender debido a la disminuci\u00f3n de las actualizaciones durante el entrenamiento).<\/p>\n Al aprovechar la capacidad de ResNet34 para reconocer patrones complejos de ImageNet (una base de datos de im\u00e1genes masiva), el modelo requiri\u00f3 menos datos de entrenamiento y tiempo para adaptarse a las im\u00e1genes satelitales.<\/p>\n Para entrenar el modelo se necesitaron 1.440 im\u00e1genes, cada una de 512\u00d7512 p\u00edxeles, que cubr\u00edan seis clases de cobertura terrestre: edificios, carreteras, tierras agr\u00edcolas, terrenos bald\u00edos, plantaciones y masas de agua.<\/p>\n El conjunto de datos presentaba desequilibrios inherentes; las carreteras y los cuerpos de agua representaban solo 3,71 TP3T y 4,21 TP3T de las muestras, respectivamente, mientras que los edificios y las tierras agr\u00edcolas sumaban m\u00e1s de 251 TP3T cada uno. A pesar de este desaf\u00edo, el modelo se entren\u00f3 durante 200 \u00e9pocas \u2014un equilibrio entre precisi\u00f3n y coste computacional\u2014 con un tama\u00f1o de lote de 2 debido a limitaciones de memoria.<\/p>\n En\u00a0\u00e9poca<\/strong>\u00a0se refiere a una pasada completa de los datos de entrenamiento a trav\u00e9s del modelo, mientras que\u00a0tama\u00f1o del lote<\/strong>\u00a0Determina cu\u00e1ntas muestras se procesan antes de actualizar los par\u00e1metros del modelo. Los tama\u00f1os de lote m\u00e1s peque\u00f1os reducen el uso de memoria, pero pueden ralentizar el entrenamiento.<\/p>\n Incluso los mejores modelos de IA producen errores, como clasificar err\u00f3neamente p\u00edxeles aislados o crear bordes dentados alrededor de las caracter\u00edsticas. Para solucionar esto, los investigadores aplicaron el procesamiento morfol\u00f3gico, una t\u00e9cnica que suaviza las imperfecciones mediante operaciones como la erosi\u00f3n y la dilataci\u00f3n.<\/p>\n La erosi\u00f3n elimina finas capas de p\u00edxeles de los l\u00edmites de los objetos, eliminando peque\u00f1as zonas mal clasificadas, mientras que la dilataci\u00f3n a\u00f1ade p\u00edxeles para expandir los l\u00edmites de los objetos, rellenando huecos en elementos lineales como las carreteras.<\/p>\n Estas operaciones se basan en un elemento estructurante (una peque\u00f1a matriz) que se desliza sobre la imagen para modificar los valores de los p\u00edxeles. El tama\u00f1o \u00f3ptimo del n\u00facleo para estas operaciones (5\u00d75 p\u00edxeles) se determin\u00f3 mediante an\u00e1lisis de semivarianza, un m\u00e9todo geoestad\u00edstico que cuantifica los patrones espaciales en las im\u00e1genes.<\/p>\n La semivarianza mide cu\u00e1nto difieren los valores de los p\u00edxeles a diferentes distancias, lo que ayuda a identificar la escala a la que las caracter\u00edsticas de la textura (por ejemplo, los grupos de edificios) son m\u00e1s distintivas.<\/p>\n El modelo alcanz\u00f3 una precisi\u00f3n inicial de 84% (puntuaci\u00f3n kappa<\/strong>\u00a0= 0,79), que aument\u00f3 a 86% (kappa = 0,81) despu\u00e9s del posprocesamiento. El\u00a0puntuaci\u00f3n kappa<\/strong>\u00a0El coeficiente kappa de Cohen mide la concordancia entre las clasificaciones predichas y las reales, ajustando el efecto del azar.<\/p>\n Una puntuaci\u00f3n de 0,81 indica una concordancia "casi perfecta", superando el rango de 0,61 a 0,80 considerado "sustancial". Los cuerpos de agua y las plantaciones se clasificaron con una precisi\u00f3n casi perfecta (97% y 96%, respectivamente), mientras que las carreteras, que presentan dificultades debido a su forma delgada y lineal y a las sombras, alcanzaron los 85%.<\/p>\n Los edificios y las tierras agr\u00edcolas tambi\u00e9n obtuvieron buenos resultados, con puntuaciones F1 de 88% y 83%. La puntuaci\u00f3n F1, una media arm\u00f3nica de precisi\u00f3n y exhaustividad, equilibra los falsos positivos y los falsos negativos, lo que la hace ideal para evaluar conjuntos de datos desequilibrados.<\/p>\n Las mejoras en la eficiencia fueron a\u00fan m\u00e1s notables. El trazado estereosc\u00f3pico tradicional, que implica el etiquetado manual de elementos en im\u00e1genes a\u00e9reas 3D, requiere nueve d\u00edas por hoja de mapa (5,29 km\u00b2) para edificios y vegetaci\u00f3n.<\/p>\n El enfoque basado en IA redujo este tiempo a 43 minutos por hoja, una mejora de 250 veces. El entrenamiento del modelo requiri\u00f3 inicialmente 17 horas, pero una vez entrenado, pudo clasificar vastas \u00e1reas con una m\u00ednima intervenci\u00f3n humana. Ampliar este sistema podr\u00eda permitir a Indonesia mapear 9000 km\u00b2 anualmente, reduciendo el tiempo de finalizaci\u00f3n previsto de m\u00e1s de un siglo a tan solo 15 a\u00f1os.<\/p>\n Las implicaciones van mucho m\u00e1s all\u00e1 de Indonesia. La clasificaci\u00f3n automatizada de la cobertura terrestre respalda iniciativas globales como los Objetivos de Desarrollo Sostenible (ODS) de la ONU. Por ejemplo, el seguimiento de la deforestaci\u00f3n (ODS 15) o la expansi\u00f3n urbana (ODS 11) se vuelve m\u00e1s r\u00e1pido y preciso.<\/p>\n En las regiones propensas a desastres, como las zonas propensas a inundaciones, los mapas actualizados pueden identificar a las comunidades vulnerables y planificar rutas de evacuaci\u00f3n.<\/p>\n Los agricultores tambi\u00e9n se benefician; los datos precisos sobre la cobertura del suelo permiten una agricultura de precisi\u00f3n, optimizando el uso del agua y el rendimiento de los cultivos mediante el monitoreo de la salud del suelo y el estr\u00e9s de la vegetaci\u00f3n a trav\u00e9s del NDVI.<\/p>\n Sin embargo, persisten algunos desaf\u00edos. El desempe\u00f1o del modelo en clases poco representadas, como las carreteras, pone de manifiesto la necesidad de contar con datos de entrenamiento equilibrados. En trabajos futuros se podr\u00eda incorporar el aprendizaje por transferencia, una t\u00e9cnica en la que un modelo preentrenado para una tarea (por ejemplo, reconocimiento general de im\u00e1genes) se ajusta para una aplicaci\u00f3n espec\u00edfica (por ejemplo, detecci\u00f3n de carreteras en im\u00e1genes satelitales).<\/p>\n Esto reduce la necesidad de conjuntos de datos etiquetados masivos, cuya creaci\u00f3n resulta costosa. Probar arquitecturas avanzadas como U-Net3+, que mejora la agregaci\u00f3n de caracter\u00edsticas a diferentes escalas, o modelos basados en transformadores (que destacan por capturar dependencias de largo alcance en im\u00e1genes) podr\u00eda mejorar a\u00fan m\u00e1s la precisi\u00f3n.<\/p>\n Sin embargo, la integraci\u00f3n de datos Lidar (detecci\u00f3n y medici\u00f3n de luz) o de radar tambi\u00e9n podr\u00eda mejorar los resultados, especialmente en regiones nubosas donde los sat\u00e9lites \u00f3pticos tienen dificultades.<\/p>\n Este estudio marca un punto de inflexi\u00f3n en la cartograf\u00eda topogr\u00e1fica. Al automatizar la clasificaci\u00f3n de la cobertura del suelo, los pa\u00edses pueden generar mapas precisos de forma m\u00e1s r\u00e1pida y econ\u00f3mica que nunca. Para Indonesia, esta tecnolog\u00eda no es solo una comodidad, sino una necesidad para gestionar su r\u00e1pida urbanizaci\u00f3n, proteger sus bosques y prepararse para los desastres relacionados con el cambio clim\u00e1tico.<\/p>\n A medida que avanzan la inteligencia artificial y la tecnolog\u00eda satelital, la visi\u00f3n de la cartograf\u00eda en tiempo real y de alta resoluci\u00f3n est\u00e1 al alcance de la mano, lo que permitir\u00e1 a los gobiernos y las comunidades construir un futuro m\u00e1s sostenible.<\/p>\n<\/p>\nAn\u00e1lisis de im\u00e1genes satelitales impulsado por IA\u00a0<\/strong><\/h2>\n
Aprendizaje profundo U-Net para la cobertura del suelo <\/strong>Topograf\u00eda<\/strong><\/h2>\n
<\/p>\nMejora de mapas mediante procesamiento morfol\u00f3gico<\/strong><\/h2>\n
La IA mejora la velocidad y la precisi\u00f3n de los mapas.<\/strong><\/h2>\n
<\/p>\nLa cartograf\u00eda mediante IA impulsa la sostenibilidad global.<\/strong><\/h2>\n
Conclusi\u00f3n: Una nueva era para la ciencia geoespacial.<\/h2>\n