Uso de GeoAI y Herramientas de Aprendizaje Automático para un Mapeo Consistente de Cobertura Terrestre de Alta...

Área de la Ciencia:

• Análisis geoespacial
• Aplicaciones de aprendizaje automático
• Teledetección

Sus antecedentes:

• Los mapas de cobertura terrestre a largo plazo y de alta resolución son cruciales para los estudios ecológicos, pero están limitados por la escasez de datos y las inconsistencias temporales.
• Los datos del National Agricultural Imagery Program (NAIP) ofrecen valiosas imágenes aéreas, pero sufren de heterogeneidad relacionada con el sensor, lo que dificulta la generación de mapas multianuales.

Objetivo del estudio:

• Desarrollar un algoritmo de GeoAI/Aprendizaje Automático para producir mapas de cobertura terrestre de 1 m espacialmente detallados y temporalmente coherentes utilizando imágenes de series temporales NAIP.
• Superar las variaciones de los sensores entre años en los datos NAIP sin requerir muestras de entrenamiento históricas.

Principales métodos:

• Se implementó un flujo de trabajo adaptativo de doble vía, aplicando estrategias distintas para imágenes NAIP de alta calidad (2009-2017) y de menor calidad (2004-2008).
• Las imágenes de alta calidad se clasificaron utilizando un modelo base U-Net/ResNet-34 refinado por un Modelo de Segmentación de Cualquier Cosa (SAM).
• Las imágenes de menor calidad se reconstruyeron utilizando un pipeline de vinculación espaciotemporal y retroceso de etiquetas basado en el National Land Cover Database (NLCD).

Principales resultados:

• El algoritmo logró resultados estables y consistentes a lo largo de los años, con precisiones generales de 0,874 (2014), 0,848 (2017) y 0,788 (2004).
• Se obtuvieron consistentemente puntuaciones F1 altas para las clases de Estructura, Agua, Humedal y Cultivos.
• El método mantuvo la fidelidad espacial y la consistencia temporal a pesar de las diferencias significativas de los sensores en las imágenes históricas.

Conclusiones:

• Las herramientas de GeoAI/Aprendizaje Automático y diversas fuentes de datos pueden generar de manera efectiva mapas de cobertura terrestre consistentes, de alta resolución y multidecadales a partir de imágenes NAIP.
• El enfoque desarrollado ofrece una solución escalable para crear mapas de cobertura terrestre de series temporales en todo el área contigua de EE. UU.
• Esto facilita el análisis de cambios de cobertura terrestre a largo plazo y la planificación a nivel de paisaje.