Un enfoque de aprendizaje automático y teledetección para un monitoreo preciso del cambio de cobertura vegetal a...

Área de la Ciencia:

• Silvicultura La silvicultura es la actividad forestal.
• La detección remota con sensores.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• La detección precisa de los cambios en el tipo de cubierta vegetal en los subcompartimentos forestales (FSC) es esencial para la gestión forestal informada.
• La detección a escala fina a nivel de FSC ha recibido una atención limitada a pesar de varios algoritmos de detección de cambios forestales.

Objetivo del estudio:

• Desarrollar un método de detección de cambio de tipo de cobertura vegetal a escala FSC.
• Para acoplar la información espectral y de textura de las imágenes de Sentinel-2 con los datos de la investigación de planificación y diseño de manejo forestal (FMPI).

Principales métodos:

• Se extraen bandas espectrales, índices de vegetación y características de textura.
• Construyó un modelo de clasificación utilizando una red neuronal de propagación de propagación hacia atrás de optimización de enjambre de partículas (PSO-BPNN).
• Comparó PSO-BPNN con el bosque aleatorio (RF), la máquina vectorial de soporte (SVM) y la red neuronal de propagación posterior convencional (BPNN). modelos.

Principales resultados:

• PSO-BPNN consistentemente superó a otros algoritmos en la detección de cambios en la escala FSC.
• Logró una precisión general del 91% y un coeficiente Kappa de 0.86 para la identificación de cambios.
• Se detectó con éxito aproximadamente el 80% de los FSC cambiados en el conjunto de datos de validación.

Conclusiones:

• El enfoque PSO-BPNN propuesto ofrece una solución robusta y precisa para el monitoreo del cambio forestal a gran escala.
• Mejora la base científica para la gestión sostenible de los recursos forestales.