Modele AI de Înaltă Precizie Clasifică Cartografierea Topografică Mai Rapid Decât Cea Tradițională

Indonezia, o națiune formată din peste 17.000 de insule, întinzându-se pe 1,9 milioane de kilometri pătrați, se confruntă cu o provocare critică în crearea de hărți detaliate pentru a sprijini obiectivele sale de dezvoltare.

Cu doar 3% din țară acoperită de hărți topografice la scară largă (scară 1:5000), metodele tradiționale precum stereoplotarea manuală și ridicările topografice sunt prea lente pentru a satisface nevoile urgente de planificare urbană, managementul dezastrelor și conservarea mediului.

Un studiu revoluționar publicat în Teledetecție în 2025 oferă o soluție: un cadru de învățare profundă care automatizează clasificarea utilizării terenului utilizând imagini satelitare de foarte înaltă rezoluție.

Provocarea hărțuirii Indoneziei Topografie

Dimensiunea și complexitatea Indoneziei fac din cartografiere o sarcină monumentală. Agenția de Informații Geospațiale (BIG), responsabilă de cartografierea națională, produce în prezent 13.000 de kilometri pătrați de hărți topografice anual.

În ritmul acesta, cartografierea întregii țări ar dura peste un secol. Chiar dacă zonele împădurite – care acoperă aproape jumătate din Indonezia – sunt excluse, finalizarea cartografierii terenului rămas ar necesita totuși 60 de ani.

Această progresie lentă intră în conflict cu prioritățile naționale, cum ar fi Politica unei singure hărți, introdusă în 2016 pentru a standardiza hărțile pe sectoare și a evita conflictele în utilizarea terenurilor. Extinderea acestei politici la hărțile la scara 1:5000 este esențială, dar mult în urmă față de program.

Hărți topografice reprezentări detaliate ale caracteristicilor naturale și cele create de om de pe suprafața Pământului, incluzând elevația (dealuri, văi), corpurile de apă, drumurile, clădirile și vegetația.

Ele servesc drept instrumente fundamentale pentru planificarea infrastructurii, răspunsul la dezastre și monitorizarea mediului. Pentru Indonezia, crearea acestor hărți la scara de 1:5000 (unde 1 cm pe hartă este egal cu 50 de metri în realitate) este crucială pentru precizia în proiecte precum construcția de drumuri sau modelarea inundațiilor.

Date privind acoperirea terenului, un subset al hărților topografice, se referă la materialul fizic de pe suprafața Pământului, cum ar fi pădurile, zonele urbane sau apa. Spre deosebire de utilizarea terenului (care descrie modul în care oamenii utilizează terenul, de ex. zone rezidențiale sau industriale), terenul se concentrează pe caracteristici observabile.

Hărțile precise de acoperire a terenului ajută guvernele să urmărească defrișările, să monitorizeze extinderea urbană sau să evalueze productivitatea agricolă. Tradițional, analiștii etichetează manual aceste caracteristici pixel cu pixel folosind fotografii aeriene sau imagini din satelit, un proces care este atât consumator de timp, cât și predispus la erori umane.

De exemplu, identificarea drumurilor sau a clădirilor mici în zone urbane dense poate dura zile de muncă meticuloasă. Studiul din 2025 abordează acest blocaj prin înlocuirea eforturilor manuale cu inteligența artificială, în special cu învățarea profundă, pentru a automatiza clasificarea acoperirii terenului.

Analiza imaginilor satelitare bazată pe inteligență artificială 

Cercetarea s-a concentrat pe orașul Mataram, o zonă urbană mică, dar diversă, de pe insula Lombok, ca un caz de testare. Echipa a folosit Imagini satelitare Pleiades din 2015, care a inclus date pancromatice (0,5 metri) și multispectrale (2 metri) de înaltă rezoluție.

Imaginile pancromatice surprind detalii spațiale fine în tonuri de gri, în timp ce imaginile multispectrale oferă informații despre culori și infraroșu pe anumite intervale de lungimi de undă (de exemplu, roșu, verde, albastru, infraroșu apropiat).

Pentru a combina aceste puncte forte, cercetătorii au aplicat o tehnică numită pan-sharpening, care unește datele de înaltă rezoluție în gri cu imaginile color de rezoluție mai mică. Acest proces a produs imagini clare și detaliate cu o rezoluție de 0,5 metri, ideale pentru detectarea unor caracteristici mici, cum ar fi drumurile sau clădirile individuale.

Pan-sharpeningul este esențial deoarece păstrează informația spectrală bogată a datelor multispectrale, îmbunătățind în același timp claritatea spațială, asigurând că culorile se aliniază exact cu caracteristicile fizice.

Apoi, echipa a extras informații suplimentare din imagini pentru a îmbunătăți acuratețea clasificării. A fost calculat Indexul de Vegetație Normalizat Diferențat (NDVI), o măsură a sănătății plantelor derivată din reflexia luminii infraroșu apropiat (NIR) și roșu.

Vegetația sănătoasă reflectă mai multă lumină în infraroșu apropiat și absoarbe mai multă lumină roșie datorită activității clorofilei. Formula $\text{NDVI}=(\text{NIR}-\text{Roșu})/(\text{NIR}+\text{Roșu})$ produce valori între -1 și 1, unde valorile mai mari indică vegetație mai densă și mai sănătoasă.

NDVI este de neprețuit pentru a distinge pădurile, terenurile agricole și spațiile verzi urbane. De exemplu, în acest studiu, NDVI a ajutat la diferențierea între plantațiile luxuriante și solul neacoperit.

Analiza texturii a reprezentat un alt pas cheie. Folosind o metodă statistică numită Matricea de Co-ocurență a Nivelurilor de Gri (GLCM), cercetătorii au cuantificat tiparele din imagini, cum ar fi rugozitatea câmpurilor agricole versus netezimea drumurilor asfaltate.

GLCM funcționează analizând cât de des apar perechi de pixeli cu valori și relații spațiale specifice (de exemplu, adiacente orizontal) într-o imagine. Din această matrice, metrice precum omogenitate (uniformitatea valorilor pixelilor), contrast (variații locale de intensitate), și entropie (aleatorizarea distribuției pixelilor) se calculează.

Acești indicatori de textură au ajutat modelul AI să diferențieze tipuri de acoperire a terenului cu aspect similar – de exemplu, distincția între drumurile de asfalt și petele de sol negru.

Pentru a simplifica datele, echipa a aplicat Analiza Componentelor Principale (ACP), o tehnică ce identifică cele mai semnificative tipare dintr-un set de date. PCA reduce redundanța prin transformarea variabilelor corelate (de exemplu, multiple benzi de textură) într-un set mai mic de componente necorelate.

În acest studiu, PCA a condensat cinci benzi de textură în două componente principale, păstrând 95% din informația originală. Acest lucru a simplificat intrarea pentru modelul de deep learning, îmbunătățind atât acuratețea, cât și eficiența computațională.

Învățare profundă U-Net pentru acoperirea terenului Topografie

Inima studiului a fost un model de învățare profundă bazat pe arhitectura U-Net, un tip de rețea neuronală convoluțională (CNN) utilizată pe scară largă în sarcinile de segmentare a imaginilor.

Numit după designul său în formă de U, U-Net este format din două părți principale: un encoder care analizează imaginea pentru a extrage caracteristici ierarhice (de exemplu, margini, texturi) și un decoder care reconstruiește imaginea cu etichete pixel cu pixel.

Codificatorul folosește straturi de convoluție și pooling pentru a reduce dimensiunea imaginii, capturând tipare largi, în timp ce decodorul mărește dimensiunea datelor pentru a restaura rezoluția spațială. Conexiunile de salt între straturile codificatorului și decodorului păstrează detalii fine, permițând detectarea precisă a limitelor — o caracteristică critică pentru cartografierea drumurilor înguste sau a clădirilor de formă neregulată.

Modelul a utilizat un backbone ResNet34 – o rețea pre-antrenată, renumită pentru profunzimea și eficiența sa. ResNet34 face parte din familia rețelelor reziduale, care introduc “conexiuni de scurtcircuit” pentru a ocoli straturi, atenuând problema gradientului evanescent (unde rețelele adânci se luptă să învețe din cauza actualizărilor diminuate în timpul antrenamentului).

Valorificând capacitatea ResNet34 de a recunoaște modele complexe din ImageNet (o bază de date masivă de imagini), modelul a necesitat mai puține date și timp de antrenament pentru a se adapta la imaginile din satelit.

Antrenarea modelului a necesitat 1.440 de fragmente de imagine, fiecare de 512×512 pixeli, acoperind șase clase de acoperire a terenului: clădiri, drumuri, teren agricol, teren neacoperit, plantații și corpuri de apă.

Setul de date prezenta dezechilibre inerente; drumurile și corpurile de apă reprezentau doar 3,7% și, respectiv, 4,2% din eșantioane, în timp ce clădirile și terenurile agricole reprezentau peste 25% fiecare. În ciuda acestei provocări, modelul a fost antrenat pe parcursul a 200 de epoci—un echilibru între acuratețe și cost computațional—cu o dimensiune a lotului de 2, din cauza constrângerilor de memorie.

Un epocă se referă la o trecere completă a datelor de antrenament prin model, în timp ce dimensiunea lotului determină câte eșantioane sunt procesate înainte de a actualiza parametrii modelului. Dimensiunile mai mici ale loturilor reduc utilizarea memoriei, dar pot încetini antrenamentul.

Îmbunătățirea hărților prin procesare morfologică

Chiar și cele mai bune modele AI produc erori, cum ar fi clasificarea greșită a pixelilor izolați sau crearea unor margini zimțate în jurul caracteristicilor. Pentru a rezolva acest lucru, cercetătorii au aplicat procesarea morfologică, o tehnică ce netezește imperfecțiunile folosind operațiuni precum eroziunea și dilatația.

Eroziunea îndepărtează straturi subțiri de pixeli de la marginile obiectelor, eliminând pete minuscule greșit clasificate, în timp ce dilatarea adaugă pixeli pentru a extinde marginile obiectelor, umplând golurile din caracteristicile liniare precum drumurile.

Aceste operațiuni se bazează pe un element de structurare (o matrice mică) care glisează peste imagine pentru a modifica valorile pixelilor. Mărimea optimă a nucleului pentru aceste operațiuni (5×5 pixeli) a fost determinată prin analiza semi-variantei, o metodă geostatistică care a cuantificat tiparele spațiale din imagini.

Semivarianța măsoară cât de mult diferă valorile pixelilor la distanțe variate, ajutând la identificarea scalei la care caracteristicile texturii (de exemplu, grupuri de clădiri) sunt cele mai distincte.

AI Crește Viteza și Precizia Cartografiei

Modelul a atins o acuratețe inițială de 84% (scor kappa = 0,79), care a crescut la 86% (kappa = 0,81) după post-procesare. scor kappa (Kappa lui Cohen) măsoară acordul între clasificările prezise și cele reale, ajustând pentru șansa aleatorie.

Un scor de 0,81 indică un acord “aproape perfect”, depășind intervalul 0,61–0,80, considerat “substanțial”. Corpurile de apă și plantațiile au fost clasificate cu o acuratețe aproape perfectă (97%și, respectiv, 96%), în timp ce drumurile – provocare din cauza formei lor subțiri, liniare și a umbrelor – au atins 85%.

Clădirile și terenurile agricole au avut, de asemenea, performanțe bune, cu scoruri F1 de 88%și 83%. Scorul F1, o medie armonică între precizie și rechemare, echilibrează falsurile pozitive și falsurile negative, făcându-l ideal pentru evaluarea seturilor de date dezechilibrate.

Câștigurile de eficiență au fost și mai uimitoare. Stereotratarea tradițională, care implică etichetarea manuală a caracteristicilor în imagini aeriene 3D, durează nouă zile pe foaie de hartă (5,29 km²) pentru clădiri și vegetație.

Abordarea bazată pe inteligență artificială a redus acest timp la 43 de minute pe foaie — o îmbunătățire de 250 de ori. Antrenarea modelului a necesitat inițial 17 ore, dar odată antrenat, a putut clasifica zone vaste cu o intervenție umană minimă. Extinderea acestui sistem ar permite Indoneziei să cartografieze 9 000 km² anual, reducând timpul estimat de finalizare de la peste un secol la doar 15 ani.

Avansările AI în cartografiere susțin sustenabilitatea globală

Implicațiile se extind mult dincolo de Indonezia. Clasificarea automată a acoperirii terenului sprijină eforturile globale precum Obiectivele de Dezvoltare Durabilă (ODD) ale ONU. De exemplu, urmărirea defrișărilor (ODD 15) sau a extinderii urbane (ODD 11) devine mai rapidă și mai precisă.

În regiunile predispuse la dezastre, cum ar fi zonele inundabile, hărțile actualizate pot identifica comunitățile vulnerabile și planifica rutele de evacuare.

Și fermierii beneficiază; datele precise despre acoperirea terenurilor permit agricultura de precizie, optimizarea utilizării apei și a producției culturilor prin monitorizarea sănătății solului și a stresului vegetației prin NDVI.

Cu toate acestea, provocările persistă. Performanța modelului pe clase subreprezentate, precum drumurile, scoate în evidență necesitatea datelor de antrenament echilibrate. Lucrările viitoare ar putea încorpora învățarea prin transfer, o tehnică prin care un model pre-antrenat pe o sarcină (de ex., recunoaștere generală a imaginilor) este ajustat fin pentru o aplicație specifică (de ex., detectarea drumurilor în imagini satelitare).

Acest lucru reduce necesitatea unor seturi de date mari etichetate, care sunt costisitor de creat. Testarea arhitecturilor avansate precum U-Net3+, care îmbunătățește agregarea caracteristicilor pe diferite scări, sau a modelelor bazate pe transformere (care excelează la captarea dependențelor pe distanțe lungi în imagini) ar putea îmbunătăți și mai mult acuratețea.

Totuși, integrarea datelor Lidar (Light Detection and Ranging) sau radar ar putea, de asemenea, îmbunătăți rezultatele, în special în regiunile înnorate unde sateliții optici au dificultăți.

Concluzie: O nouă eră pentru știința geospatială

Acest studiu marchează un punct de cotitură în cartografierea topografică. Prin automatizarea clasificării utilizării terenurilor, țările pot produce hărți precise mai rapid și mai ieftin ca niciodată. Pentru Indonezia, această tehnologie nu este doar o comoditate, ci o necesitate pentru a gestiona urbanizarea sa rapidă, pentru a-și proteja pădurile și pentru a se pregăti pentru dezastrele legate de climă.

Pe măsură ce inteligența artificială și tehnologia satelitară avansează, viziunea unei cartografieri în timp real, de înaltă rezoluție este la îndemână, permițând guvernelor și comunităților să construiască un viitor mai durabil.

ReferințăHakim, Y.F.; Tsai, F. Extragerea de acoperire a terenului bazată pe învățare profundă din imagini satelitare de foarte înaltă rezoluție pentru a asista producția de hărți topografice la scară largă. Remote Sens. 2025, 17, 473. https://doi.org/10.3390/rs17030473