implementación de redes neuronales convolucionadas para la

Implementación de redes neuronales convolucionadas para la

clasificación de imágenes de sensores remotos en la Amazonia

Mayra Alejandra Velasquez Ramos

Universidad Distrital Francisco José de Caldas

Especialización en Sistemas de Información Geográfica

Bogotá, D.C, Colombia

2019

Implementación de redes neuronales convolucionadas para la

clasificación de imágenes de sensores remotos en la Amazonia

Mayra Alejandra Velásquez Ramos

Tesis o trabajo de investigación presentada(o) como requisito parcial para optar al título

de:

Especialista en Sistemas de Información Geográfica

Director (a):

Msc. German Cifuentes Contreras

Universidad Distrital “Francisco José de Caldas”

Facultad de Ingeniería

Bogotá, D.C.

2019

Contenido III

Contenido

Pág.

Contenido ....................................................................................................................... III

Lista de figuras ............................................................................................................... IV

Lista de tablas ................................................................................................................. V

Lista de abreviaturas ...................................................................................................... VI

Glosario.......................................................................................................................... VII

Introducción..................................................................................................................... 2

Planteamiento del problema ........................................................................................... 4

Objetivos .......................................................................................................................... 6

1. Estado del Arte ......................................................................................................... 7

2. Marco Conceptual .................................................................................................... 9 2.1 Red neuronal artificial ........................................................................................10

2.1.1 Red neuronal convolucionada ........................................................................ 11

3. Área de estudio ...................................................................................................... 18 3.1 Definición de clases ..........................................................................................19

4. Metodología ............................................................................................................ 25 4.1 Preparación de los datos ...................................................................................26

4.1.1 Pre-procesamiento de las imágenes .............................................................. 26 4.1.2 Selección del conjunto de datos .................................................................... 27

4.2 Modelado ..........................................................................................................29 4.2.1 Técnica de modelado..................................................................................... 29 4.2.2 Arquitectura del modelo ................................................................................. 30 4.2.3 Construcción del modelo ............................................................................... 33

4.3 Evaluación.........................................................................................................36 4.4 Despliegue ........................................................................................................39

Conclusiones y recomendaciones ............................................................................... 44

Bibliografía .................................................................................................................... 46

IV

Lista de figuras

Pág. Figura 2- 1: Estructura de una neurona. .................................................................... 10

Figura 2- 2: Estructura de una red neuronal artificial ................................................. 11

Figura 2- 3: Componentes de una neurona en ANN. ................................................. 13

Figura 2- 4: Formulación matemática función sigmoid. .............................................. 14

Figura 2- 5: Formulación matemática función tangente hiperbólica ........................... 14

Figura 2- 6: Formulación matemática función ReLU. ................................................. 15

Figura 2- 7: Formulación matemática función Sofmax. .............................................. 15

Figura 2- 8: Arquitectura de la CNN........................................................................... 16

Figura 2- 9: Resultado de la capa convolucionada .................................................... 16

Figura 2- 10: Resultado capa max pooling .................................................................. 17

Figura 2- 11: Resultado capa average pooling ............................................................ 17

Figura 3- 1: Localización de la zona de estudio ......................................................... 18

Figura 4- 1: Modelo conceptual de la metodología de estudio ................................... 26

Figura 4- 2: Matrix de correlación conjunto de datos de entrenamiento ..................... 29

Figura 4- 3: Arquitectura Amazon_model. ................................................................. 31

Figura 4- 4: Arquitectura Amazon_model_vgg19 ....................................................... 33

Figura 4- 5: Función de exactitud de los conjuntos de datos de entrenamiento y de

validación para el modelo Amazon_model ...................................................................... 37


validación para el modelo Amazon_model_vgg19 .......................................................... 37

Figura 4- 7: Atributos de las imágenes resultado del procesamiento ......................... 39

Figura 4- 8: Visor geográfico. .................................................................................... 43

Contenido V

Lista de tablas

Pág. Tabla 3- 1: Clases identificadas en el conjunto de datos ..............................................20

Tabla 4- 1: Especificaciones Producto PlanetScope ....................................................27

Tabla 4- 2: Cantidad de clases identificadas ................................................................28

Tabla 4- 3: Exactitud de la clasificación obtenida con diferentes tamaños de muestra 36

Tabla 4- 4: Ejemplo de comparación de los resultados de clasificación de los modelos

38

Tabla 4- 5: Ejemplos de la predicción del modelo ........................................................38

VI

Lista de abreviaturas

Abreviaturas Abreviatura Término

ANN CNN

Red neuronal artificial Red neuronal convolucionada

MLC RF SVM GPU VGG16

Clasificador de máxima verosimilitud Árboles de decisión Máquina de soporte vectorial Unidad de procesamiento gráfico Modelo VGG con 16 pesos

VGG19 Modelo VGG con 19 pesos

Contenido VII

Glosario

Aprendizaje de máquina: subdivisión de la inteligencia artificial basada en los procesos

de aprendizaje biológico, cuyo enfoque va de la mano con el diseño de algoritmos que

aprenden de los datos computacionales. Cubre dominios como la minería de datos, a

partir una colección de algoritmos que proveen herramientas multivariadas, no lineales,

de regresión no paramétrica o de clasificación (Lary, Alavi, Gandomi & Walker, 2016).

Aprendizaje profundo: concepto que deriva del estudio de las redes neuronales

artificiales. Una estructura con múltiples capas que además cuenta con capas

escondidas dentro del sistema es una estructura de aprendizaje profundo. El aprendizaje

profundo puede combinar características de bajo nivel y luego construir características de

atributo de alto nivel más completas capa por capa (Runping, Anqi, Bolun & Jia, 2019).

Aprendizaje supervisado: poderosa herramienta para clasificar y procesar datos

utilizando el lenguaje de máquina. Con el aprendizaje supervisado se usan datos

etiquetados, o conjunto de datos clasificado, para inferir un algoritmo de aprendizaje. El

conjunto de datos se utiliza como base para predecir la clasificación de otros datos no

etiquetados mediante el uso de algoritmos de aprendizaje automático (Mark Ryan

M.Talabis, Robert McPherson, I.Miyamoto, Jason L.Martin & D.Kaye, 2015.).

Árboles de decisión: algoritmo constituido de nodos que permiten evaluar atributos de

los datos, bordes para bifurcar las decisiones de la evaluación de los nodos hasta llegar a

un valor final dentro del esquema jerárquico de decisión. En un árbol de decisión, cada

ruta desde la raíz a una hoja corresponde a una conjunción de atributos de prueba y el

árbol se considera una disyunción de estas conjunciones (Nahla Ben Amor, Salem

Benferhat, ZiedElouedia, 2006).

CORINE Land Cover: El proyecto CORINE (Coordinación de Información sobre el Medio

Ambiente) comienza en 1985 como una iniciativa de varios países de Europa para crear

VIII

una estructura de cobertura del suelo y monitorear áreas de interés ambiental (G.

Büttner, J. Feranec, G. Jaffrain, L. Mari, G. Maucha, & T. Soukup, 2004). En Colombia se

adopta esta metodología con el propósito de realizar el inventario homogéneo de la

cubierta biofísica (cobertura) de la superficie de la tierra a partir de la interpretación visual

de imágenes de satélite asistida por computador y la generación de una base de datos

geográfica.

Datos de entrenamiento: conjunto de datos que se usa para probar el desempeño de

los algoritmos de aprendizaje de máquina, como su nombre lo indica sirve de

entrenamiento para que los algoritmos aprendan un proceso en específico.

Datos de validación: conjunto de datos que se usa para evaluar que tan bien o mal el

algoritmo aprendió un proceso específico.

Máquina de soporte vectorial: algoritmo desarrollado desde la teoría de aprendizaje

estadístico, basado en la construcción de un óptimo espacio lineal que separa un

hiperplano que a su vez separa los patrones de datos, y en la conversión de patrones de

datos no lineales en un formato que se puede separar linealmente en un espacio

multidimensional usando funciones de ventana (Mohsen Edalat, Enayat Jahangiri, Emran

Dastras, Hamid Reza Pourghasemi, 2019).

Minería de datos: principal actividad en el proceso de descubrir de conocimiento en las

bases de datos (KDD) que aplica técnicas computacionales para hallar patrones en la

información (S. Džeroski, 2008).

https://www-sciencedirect-com.ezproxy.unal.edu.co/science/article/pii/B9780128152263000181#!


2

Introducción

El monitoreo de la superficie terrestre a través de sensores remotos ha sido impulsado

por la necesidad de conocer el territorio y, así, tomar decisiones óptimas al momento de

administrar los recursos naturales y gestionar el uso sostenible de las actividades

humanas. Dados los recientes avances en la adquisición y procesamiento de datos

provenientes de sensores remotos en diferentes plataformas con distintas características

en cuanto a resoluciones geométricas, radiométricas, espectrales y temporales, se ha

podido recolectar información de amplias áreas de la superficie terrestre, generando así

grandes volúmenes de información que requieren del análisis en tiempo real para el

máximo aprovechamiento del conocimiento obtenido. Para este proyecto se utilizó los

productos de la plataforma Planet que permite colectar datos de toda la superficie

terrestre, todos los días; cuenta con más de 120 “doves”, 14 “SkySats” y 5 “RapidEye”,

satélites que proveen un conjunto de datos versátil para el análisis geoespacial,

ambiental y de cambio global.

Para soportar la extracción de información de grandes volúmenes de datos, la comunidad

interesada se ha volcado a desarrollar métodos para la clasificación supervisada y no

supervisada de coberturas de la tierra de manera automática. A la par, se han hecho

avances significativos en el desarrollo de algoritmos de aprendizaje profundo como

herramienta para la clasificación de imágenes, principalmente con las técnicas de redes

neuronales convolucionadas.

Una de las ventajas más importantes de usar los algoritmos de aprendizaje profundo en

la clasificación de imágenes de sensores remotos es la identificación de patrones por

medio del reconocimiento de características similares dentro de un contexto, análogo al

aprendizaje de las redes neuronales en el cerebro humano, que a su vez es diferente a

3

los métodos de clasificación convencional que usan la Inspección Óptica Automatizada

(AOI).

La estructura de este proyecto se organizó como sigue: en el capítulo 1 se provee los

aspectos generales, físicos y matemáticos para la construcción de una red neuronal

convolucionada. En el capítulo 2 se describe la selección de muestras que conforman el

área de estudio que está directamente relacionado con la identificación de clases en la

Amazonia. En el capítulo 3 se desarrolla la metodología, que incluye por un lado la

preparación de los datos, la modelación y la evaluación de los algoritmos implementados

como guía para los especialistas en procesamiento digital de imágenes y por otro lado el

despliegue para la visualización y consulta de los resultados a través de un visor

geográfico básico para los usuarios de todas las ramas del saber. En el capítulo 4 se dan

las conclusiones del proyecto con recomendaciones para el desarrollo futuro de esta

investigación.

4

Planteamiento del problema

Muchos de los análisis digitales en las imágenes de sensores remotos están basados

principalmente en el tono y el color de los objetos que contienen, los cuales se

representan como un numero digital en cada píxel de la imagen digital. Con los avances

tecnológicos en la adquisición y procesamiento de los datos provenientes de sensores

remotos la investigación se ha enfocado además en la textura de los objetos en la

imagen y en la información de contexto, que describe la asociación de los valores de

píxel vecinos mejorando los resultados de clasificación (Marceau et al., 1990; Hay and

Niemann, 1994).

La manipulación de grandes volúmenes de datos para la identificación y monitoreo de las

coberturas de la tierra en imágenes de sensores remotos en zonas como la Amazonia,

supone un gran reto para la comunidad científica, ya que la toma de decisiones, en

tiempo real, para la gestión y conservación de esta área natural es de vital importancia a

nivel mundial. La extracción de información de sensores remotos actualmente se está

desarrollando con el uso de una variada gama de métodos de aprendizaje estadístico,

que, con el tiempo, particularmente con las redes neuronales artificiales ha tenido un

crecimiento relevante en el diseño de sistemas para reconocimiento de patrones, que ha

motivado el desarrollo de este proyecto.

El aprendizaje de las redes neuronales artificiales que se basa en la visión computacional

la cual hace más fácil el reconocimiento de objetos por la forma, color, textura y otras

estructuras finas identificables en las imágenes. Además y gracias a la disponibilidad de

5

grandes bases de datos (como por ejemplo imágenes de gran resolución diarias de la

superficie terrestre) en mercados con variados intereses (como por ejemplo la protección

y conservación de zonas de importancia ecosistémica) los diseñadores han podido

construir sistemas de reconocimiento basados en datos reales, que mediante poderosas

técnicas de aprendizaje de máquina, pueden manejar información multi dimensional y

generar intricadas funciones de decisión.

Es así como en este proyecto se utiliza un tipo de red neuronal artificial denominada red

neuronal convolucionada que imita la naturaleza de la corteza visual, la cual

eficientemente reconoce y localiza objetos, y lo hace por submuestras con filtros, que, en

una arquitectura de red jerárquica de avance profundo (red neuronal humana), permite

que los objetos se clasifiquen con gran precisión.

6

Objetivos

Objetivo general

Implementar redes neuronales convolucionadas para la clasificación de imágenes de

sensores remotos en la Amazonia

Objetivos específicos

Identificar el conjunto de datos de entrenamiento y el conjunto de datos de validación.

Comparar el desempeño de los modelos de redes neuronales convolucionadas

utilizados.

Evaluar la exactitud temática de la clasificación del modelo de redes neuronales

convolucionadas seleccionado.

Elaborar un visor geográfico para la visualización de los resultados de la clasificación

7

1. Estado del Arte

El campo de investigación de la visión computacional ha ido creciendo a la par del rápido

desarrollo de los sensores remotos, y en este campo las redes neuronales artificiales son

las que mejor desempeño han tenido en la resolución de problemas de reconocimiento

visual.

Desde la década de los 80 se han propuesto modelos de redes neuronales para el

reconocimiento de patrones visuales, siendo el “neocognitron” (Fukushima, 1980) uno de

ellos. Este modelo basado en la similaridad geométrica de las formas en la imagen

(Gestalt) que no se afecta por la posición de esta en la misma, fue el fundamento para

las redes neuronales convolucionadas (CNN), a partir de su propuesta de estructura

jerárquica de múltiples capas precedidas por una capa de entrada, compuesta por capas

ocultas y terminadas con una capa de salida, se han popularizado modelos de redes

neuronales convolucionadas como VGG16 y VVG19.

Ya enfocándose en la clasificación de coberturas de la tierra, las redes neuronales

convolucionadas inicialmente construían modelos para imágenes de sensores remotos

de alta resolución espacial, baja resolución espectral y temporal, siguiendo las pautas de

los métodos tradicionales de clasificación que se enfocan en las características

geométricas, de textura y de contexto de un pixel y sus alrededores (Castelluccio et al.,

2015; Hu, Huang, Wei, Zhang, & Li, 2015; Nogueira, Penatti, & Santos, 2016; Penatti,

Nogueira, & dos Santos, 2015; Romero et al., 2016; Zhao & Du, 2016). Pero con el

crecimiento del uso de información proveniente de sensores remotos en diferentes

campos del saber se hizo necesaria la implementación de modelos cada vez más

variados y complejos.

De esta manera del material bibliográfico documentado para este proyecto fue de

particular interés el desarrollo de investigaciones para datos de mediana resolución, dada

la forma como se implementó el sistema de clasificación, principalmente de información

8 Implementación de redes neuronales convolucionadas para la clasificación de

imágenes de sensores remotos en la Amazonia

proveniente de imágenes Landsat, en donde al darse cuenta de que clasificadores como

MLC, arboles de decisión y máquinas de soporte vectorial tenían precisiones de

clasificación del 64,9% (Gong et al., 2013), como resultado del procesamiento basado en

el pixel y en la detección de las denominadas “estructuras finas” como por ejemplo casas,

se buscó implementar sistemas de redes neuronales convolucionadas modificadas para

resolver estos inconvenientes. Algunos autores diseñaron CNN basadas en parches de

imágenes, en donde se extrajo ejemplos de un conjunto de pixeles en vez de objetos o

grupo de objetos de la imagen (A. Sharma et al., 2017), obteniendo como resultado

precisiones de clasificación del 85.60%, por encima del 62.34% obtenido con redes

neuronales artificiales convencionales, 61.86% de máquinas de soporte vectorial y

75.22% de árboles de decisión.

Con el mejoramiento en las precisiones de clasificación en imágenes de sensores

remotos de estas investigaciones se extrajeron las siguientes consideraciones que

sirvieron de base para la estructuración del sistema de clasificación implementado en

este documento: primero, el tamaño de los parches de la imagen deben ser capaz de

capturar la correlación espacial local entre un pixel central y sus vecinos, limitándose

cuando se presentan pixeles heterogéneos; segundo, las restricciones al seleccionar el

conjunto de datos de entrenamiento dependen de las clases que se quiere identificar y de

la eliminación o disminución del ruido en los datos; tercero, la arquitectura del modelo

debe considerar la experimentación como medida para evaluar los atributos de las capas

y la profundidad del sistema de forma que se obtenga la mejor precisión en la

clasificación.

De manera que en los capítulos que siguen en este documento se presenta un modelo

de redes neuronales convolucionadas para la clasificación de clases en la Región

Amazónica con sensores remotos que fundamenta su desarrollo en los avances de las

investigaciones ya mencionadas.

9

2. Marco Conceptual

Los métodos de clasificación han ido evolucionando en el tiempo, desde los métodos

convencionales como el clasificador de máxima verosimilitud (MLC) (Strahler,1980) y

agrupación (Clustering) (Huang, 2002); siguiendo con técnicas más avanzadas como

árboles de decisión (Xu,Watanachaturaporn, Varshney, & Arora, 2005), y sus desarrollos

como “random forests (RF)” (Pal, 2005), las redes neuronales artificiales (ANN)

(Kavzoglu & Mather, 2003; Mas & Flores, 2008), las máquinas de soporte vectorial (SVM)

(Gidudu,Hulley,&Marwala,2007; Mountrakis, Im, & Ogole, 2011; Pal & Mather, 2005)

hasta más recientemente las redes neuronales convolucionadas (CNN) como parte del

aprendizaje profundo (Castelluccio,Poggi, Sansone, & Verdoliva, 2015; Romero, Gatta, &

Camps-Valls, 2016).

La ventaja de usar el aprendizaje profundo, al igual que lo hacen los seres humanos, es

relacionar imágenes dentro de un contexto soportado en un número significativo de

ejemplos para luego definir, con cierto grado de exactitud, qué elemento es el que está

representado en la imagen, en lugar de la habitual representación de esa misma imagen

por medio de la vectorización de los píxeles. La tarea, entonces, del aprendizaje profundo

consiste en tratar de responder a preguntas como por ejemplo si el elemento de una

imagen es una vía o una tala selectiva.

De esta manera arquitecturas como las redes neuronales convolucionadas han

demostrado significativos mejoramientos en campos como la clasificación a través de la

visión computacional (He, Zhang, Ren, & Sun, 2015; Krizhevsky, Sutskever, & Hinton,

2012; Sermanet et al., 2013; Socher, Lin, Manning, & Ng, 2011) y el procesamiento a

partir de lenguaje natural (Collobert & Weston, 2008; Hinton et al., 2012; Socher et al.,

2011).



A continuación se presenta, de manera general, la forma como se construye y se

alimenta la estructura de los modelos de redes neuronales artificiales y principalmente la

red neuronal convolucionada.

2.1 Red neuronal artificial

Una red neuronal artificial convencional está inspirada por la forma en que funcionan y

procesan los datos las neuronas y las redes neuronales en el cerebro.

Como se ilustra en Figura 2- 1 las neuronas están básicamente conformadas por el

cuerpo principal denominado Soma que contiene el núcleo, una gran red de brazos que

salen del soma llamados dentritos y un brazo largo que sale del soma en dirección

opuesta, denominado axon, que es la terminal de sinapsis. En su funcionamiento, los

dentritos reciben la información de la terminal de sinapsis de otras neuronas y llevan los

impulsos al soma, en cuyo núcleo se procesan y combinan estos impulsos eléctricos y

cuya salida se convierte en la entrada de miles de otras neuronas.

Figura 2- 1: Estructura de una neurona.

Fuente: https://courses.edx.org/courses/course-v1:IBM+DL0101EN+3T2018/course/

Esta estructura se transformó en la base de la arquitectura de las redes neuronales

artificiales (ANN), en donde la red de neuronas se divide en tres capas que, en un

esquema general está compuesta por: una capa de entrada (input layer), que alimenta la

estructura; una capa de salida (output layer), que es el resultado del procesamiento; y un

https://courses.edx.org/courses/course-v1:IBM+DL0101EN+3T2018/course/

11

conjunto de capas ocultas (hidden layers), que llevan a cabo los procesamientos y se

encuentran entre las capas ya mencionadas (Figura 2- 2).

Figura 2- 2: Estructura de una red neuronal artificial


La estructura de las ANN se puede dividir, según el número de capas, en redes

monocapa (compuesta por una única capa de neuronas) y redes multicapa (donde las

neuronas se organizan en varias capas); y, según el flujo de datos, en redes

unidireccionales y redes recurrentes. En este proyecto se utilizaron las redes multicapa

unidireccionales como se muestra a continuación.

2.1.1 Red neuronal convolucionada

Los fundamentos de las redes neuronales convolucionales se basan en el

“Neocognitron”, introducido por Kunihiko Fukushima en 1980, una red neuronal artificial

multicapa jerárquica que se ha utilizado para reconocimiento de caracteres escritos a

mano y otras tareas relacionadas con la detección de patrones1. Más tarde fue mejorado

por Yann LeCun (LeCun, 1998) al introducir un método de aprendizaje basado en

propagación hacia atrás para poder entrenar el sistema correctamente. En el año 2012,

1 Neocognitron [online], disponible en: https://en.wikipedia.org/wiki/Neocognitron




fueron refinadas por Dan Ciresan y otros, siendo implementadas para una unidad de

procesamiento gráfico (GPU) consiguiendo así resultados destacables (Ciresan, 2011).

En la literatura sobre CNN, aplicada a la clasificación de datos provenientes de sensores

remoto, se mencionan tres formas de emplearlas:

▪ Para extraer solo información espectral. Normalmente este método asume que cada

píxel es etiquetado con una sola clase o cobertura (Fisher, 1997).

▪ Para extraer solo información espacial. Este método considera los píxeles vecinos

con el fin de extraer la representación espacial de la característica (Zhang et al.,

2016a).

▪ Para extraer información espectral y espacial. Este método puede mejorar

significativamente la exactitud de la clasificación al usar una unión de los métodos

anteriores o utilizar una arquitectura que tome ventaja de las bandas que forman la

imagen.

Ya que en este proyecto es de especial interés el uso de CNN para extraer información

espectral y espacial de la imagen, se consideraron tres tópicos en su implementación:

propagación hacia adelante, propagación hacia atrás y función de activación:

Propagación hacia adelante: como su nombre lo indica, consiste en pasar información

de la capa de entrada hacia la capa de salida.

En la Figura 2- 3 se muestra los componentes que intervienen en una neurona de la red

neuronal artificial, donde 𝑋1 y 𝑋2 son las entradas, que pasan por las conexiones, y cuyos

valores se ajustan dependiendo de los pesos de la conexión 𝑊1 y 𝑊2, hasta llegar al

núcleo, donde la neurona procesa esta información sumando las entradas ajustadas y

adicionando una constante denominada bias, denotada por 𝑏1. Finalmente, mediante una

función lineal o no lineal de activación se da información estimada o predicha 𝑎 = 𝑓(𝑧).

13

Figura 2- 3: Componentes de una neurona en ANN.


Propagación hacia atrás: consiste en propagar el error entre la verdad de los datos (T)

y el resultado estimado del modelo (a) hacia tras en la red, con el fin de actualizar y

optimizar cada peso y bias.

Función de activación: juega un papel fundamental en el proceso de aprendizaje de la

red neuronal, pues calcula el estado de actividad de una neurona (activa o inactiva),

modificando o imponiendo un valor límite que debe sobrepasar el resultado de una

neurona antes de propagarse a otra neurona. Existen siete clases de funciones de

activación:

▪ Binaria

▪ Lineal

▪ Logaritmica o Sigmoid

▪ Tangente hiperbólica

▪ ReLU

▪ Leaky ReLU

▪ Sofmax

Las más utilizadas en la literatura son las funciones sigmoid, tangente hiperbólica, ReLU

y Sofmax.




Función Sigmoid: uno de los problemas de esta función es que después de los +3 y -3

se vuelve muy plana, por ende, los gradientes se vuelven muy pequeños, tendiendo a

cero, haciendo que la red no aprenda (Figura 2- 4).

Figura 2- 4: Formulación matemática función sigmoid.


Función tangente hiperbólica: es una versión escalada de la función sigmoid, que

supera el problema de simetría de esta función, siendo simétrica al origen en un rango de

+1 y -1, pero sigue teniendo el problema del gradiente en redes neuronales profundas

(Figura 2- 5).

Figura 2- 5: Formulación matemática función tangente hiperbólica


Función ReLU: es la función que más uso tiene actualmente para diseñar redes

neuronales. Además de ser no lineal, tiene la ventaja de que no activa todas las



15

neuronas al mismo tiempo. Como se ve en la Figura 2- 6, para entradas con valores

negativos, el resultado es cero, por lo que solo unas neuronas serán activadas, haciendo

a la red más eficiente. Se usa solo en las capas ocultas.

Figura 2- 6: Formulación matemática función ReLU.


Función softmax: es un tipo de función sigmoid que es práctica cuando se manejan

problemas de clasificación al obtener las probabilidades que cada clase tiene por cada

entrada (Figura 2- 7). Por lo general solo se usa en la capa anterior de la capa de salida.

Figura 2- 7: Formulación matemática función Sofmax.

𝑎𝑖 =𝑒𝑧𝑖

∑ 𝑒𝑧𝑘𝑚𝑘=1


La arquitectura de la red neuronal convolucionada consiste en una serie de capas,

convolucional y pooling, donde la red neuronal hace su aprendizaje; y un número de

capas completamente conectadas donde se realiza la clasificación de la información

como se muestra en la Figura 2- 8.





Figura 2- 8: Arquitectura de la CNN

Fuente: https://la.mathworks.com/solutions/deep-learning/convolutional-neural-

network.html

La configuración capa de entrada, a diferencia de las redes convencionales (donde esta

capa es n), es n×m×1 para imágenes en escala de grises, y n×m×3 para imágenes a

color.

La capa convolucionada se compone de filtros o kernels que se aplican a cada banda

de la imagen, devolviendo un mapa generalizado de las características de la imagen

original, que logra reducir el tamaño de los parámetros (Figura 2- 9).

Figura 2- 9: Resultado de la capa convolucionada


La capa pooling tiene como objetivo reducir las dimensiones espaciales de los datos a

través de la propagación de la red, de manera que la extracción de información para el

aprendizaje de la red sea más eficiente. Esta capa se divide en dos tipos:

17

▪ Max Pooling: donde el filtro solo selecciona el valor más alto de los pixeles (

▪ Figura 2- 10)

Figura 2- 10: Resultado capa max pooling


▪ Average Poolin: donde el filtro solo selecciona el promedio de los píxeles (

▪ Figura 2- 11)

Figura 2- 11: Resultado capa average pooling


La capa completamente conectada hace la transformación de la salida de la última

capa (convolucionada, poolling) y conecta cada nodo de esta capa con cada otro nodo de

la siguiente capa, que por lo general es la que realiza la clasificación.



3. Área de estudio

El área de estudio corresponde a 64 zonas distribuidas aleatoriamente en la región

conocida como Panamazonia, vasta región que comprende la selva tropical de la cuenca

del río Amazonas, cuya extensión es de aproximadamente 7 millones de kilómetros

cuadrados, repartidos en los países de Brasil, Perú, Uruguay, Colombia, Venezuela,

Guyana Francesa, Surinam, Guyana, Bolivia y Ecuador, y que se simbolizan en color

verde en la Figura 3- 1, con un área de 34.900,5743 hectáreas.

Figura 3- 1: Localización de la zona de estudio

19

Fuente: Propia

Como parte de la metodología desarrollada en este documento en la sección 4.1 de

preparación de datos se describen las consideraciones que se tuvieron en cuenta para la

definición de las 64 muestras que conformaron el área de estudio.

3.1 Definición de clases

La definición de las clases obedece a la clasificación visual desarrollada por el equipo

interdisciplinario de la plataforma Crowd Flower (https://www.figure-eight.com/), que

consistió en seleccionar 16 clases que representan la Panamazonia según el

conocimiento de expertos e identificarlas en las imágenes que constituyen el conjunto de

datos de este proyecto (Tabla 3- 1).

Es importante mencionar que esta clasificación visual fue verificada en su totalidad para

este proyecto y como ya se mencionó al ser del interés la detección de las clases

representativas de la región de la amazonia, algunas de las cuales no se encuentran

identificadas en la metodología CORINE Land Cover, se decidió usar los criterios

basados en el conocimiento del equipo Crow Flower.

En la Tabla 3- 1 se etiqueta, se da un ejemplo y se describe cada una de las 16 clases

identificadas en el conjunto de datos, las cuales se dividen en dos grandes grupos: las

clases referidas a las condiciones climáticas y las clases referidas a las coberturas de la

tierra.

https://www.figure-eight.com/



Tabla 3- 1: Clases identificadas en el conjunto de datos

Numero Nombre

clase

(Crowd

Flower)

Ejemplo de la clase Descripción

1 Neblina

Son las condiciones climáticas

2 Parcialmente

nubes

3 Nubes

4 Bosque

primario

Bosque virgen, Bosque húmedo

primario aun no derrumbado. Puede

haber sido derrumbado anteriormente

por indios, pero no existen señales

fácilmente observables en la apariencia

superficial de la vegetación (aunque los

perfiles del suelo frecuentemente

contengan carbón) (Acosta, 2008).

21

Numero Nombre

clase

(Crowd

Flower)


5 Floración

Fenómeno natural que ocurre cuando

al mismo tiempo florecen especies

particulares de árboles en flor, frutas,

para maximizar las posibilidades de

polinización.

6 Habitacional

Incluye desde densos centros urbanos

hasta pueblos rurales a lo largo de las

orillas de los ríos.

7 Agricultura

Se refiere a la agricultura comercial,

siendo cualquier tierra despejada de

árboles que se usa para cultivos o

pastos.

8 Cultivo

Subgrupo de agricultura que ocurre en

áreas rurales donde los individuos o

familias mantienen agricultura de

subsistencia.



Numero Nombre

clase

(Crowd

Flower)


9 Tala y quema

Práctica que se usa para despejar

terreno destinado a la agricultura.

10 Derrumbe

viento

Son eventos que ocurren cuando el aire

frio y seco de los Andes se asienta

sobre el aire cálido y húmedo en la

selva, derribando arboles con los

vientos fuertes y a alta velocidad, más

de 100MPH, dejando zonas abiertas.

11 Explotación

forestal

selectiva

Practica de tala de especies arbóreas

de alto valor como la teca y la caoba.

12 Suelo

desnudo

Término utilizado para las áreas

naturales libres de árboles.

23

Numero Nombre

clase

(Crowd

Flower)


13 Minería

artesanal

Término utilizado para operaciones de

minería a pequeña escala, en su

mayoría ilegal, la búsqueda de oro,

material que se encuentra en suelos

profundos y arcillosos, deja coberturas

de suelo desnudo que necesita siglos

para recuperarse.

14 Minería

convencional

Término utilizado para clasificar

operaciones mineras legales a gran

escala, que se encuentran en la cuenca

del Amazonas, y cuyo número crece

gradualmente.

15 Vía

Infraestructura vital para el transporte

en la Amazonia, que causa el

denominado “espina de pez” en donde

las vías cortas que siguen a la

construcción de nuevas carreteras se

utilizan para operaciones de tala

selectiva

16 Agua

Incluye ríos, embalses y lagos

Fuente: Propia

Como resultado de la definición de clases a manera de ejemplo en la Figura 3- 12 se

muestra la clasificación de una imagen según los criterios ya mencionados.



Figura 3- 2: Ejemplo de etiquetado de las imágenes

Imagen Clase

agricultura cultivo zona_urbana

bosque_primario via

25

4. Metodología

Para orientar el desarrollo metodológico de este proyecto se utilizó la metodología

CRISP-DM (Cross Industry Standard process for Data Mining), diseñada para proyectos

de minería de datos, estructurada en seis fases: comprensión del negocio, comprensión

de los datos, preparación de los datos, modelado, evaluación, despliegue. Cada fase de

esta metodología tiene procesos que para este proyecto fueron adaptados con el fin de

optimizar los resultados como se muestra en la Figura 4- 1.

26 Identificación y clasificación de motores de cambio en la amazonia usando

técnicas de aprendizaje de maquina e imágenes PlanetScope

Figura 4- 1: Modelo conceptual de la metodología de estudio

Fuente: Propia

4.1 Preparación de los datos

El objetivo de la preparación de los datos es obtener la vista minable o conjunto de datos

a procesar.

4.1.1 Pre-procesamiento de las imágenes

Las imágenes hacen parte de un repositorio dispuesto por Planet en la ruta

https://www.kaggle.com/c/planet-understanding-the-amazon-from-space/data, que

corresponde a productos de la plataforma PlanetScope en el nivel 3B de procesamiento

https://www.kaggle.com/c/planet-understanding-the-amazon-from-space/data

27

denominados “Analytic Ortho Scene”, los cuales son imágenes con corrección

geométrica (ortorrectificadas, con proyección cartográfica), y corrección radiométrica

(radiancia a nivel de la atmosfera), y por tanto no es necesario realizar pre-

procesamiento a estas imágenes. En la Tabla 4- 1 se describen los atributos de estos

datos.

Tabla 4- 1: Especificaciones Producto PlanetScope

Atributo Descripción

Bandas PSScene4band: rojo, verde, azul e

infrarrojo cercano

GSD 3.7 m (referido a la altitud 475 Km)

Tamaño del pixel

ortorectificado

3 m

Profundidad Bit DN: 12-Bit; Radiancia: 16-Bit

Precisión posicional Menor a 10m RMSE

Fuente: https://www.planet.com/docs/spec-sheets/sat-imagery/

Es importante aclarar que el etiquetado de las imágenes se realizó como se indica en la

sección 3.1.

4.1.2 Selección del conjunto de datos

El conjunto de datos fue colectado entre el 1 de enero de 2017 y el 1 de febrero de 2017,

está conformado por 81.148 imágenes, en formato .TIF, con un tamaño de 256x256 píxel

y una profundidad de píxel de 16 Bit. El tamaño de la imagen no corresponde con

ninguna especificación técnica, sino con la necesidad de que se pudieran visualizar lo

mejor posible las coberturas de la tierra. Cada imagen cubre un área aproximada de

89,7187 hectáreas.

Del universo de datos inicialmente se definió aleatoriamente un subconjunto de datos

compuesto por 12.147 imágenes para el conjunto de entrenamiento y 3.259 imágenes

para el conjunto de validación, siguiendo el criterio de 80 – 20 para la división de la

cantidad de ejemplos por cada conjunto de datos. Las clases en este conjunto de datos

se distribuyeron como se muestra en la Tabla 4- 2, donde clases como minería



convencional o artesanal, derrumbes por vientos, tala y quema, explotación forestal

selectiva y suelo desnudo, tienen una baja representación.

Tabla 4- 2: Cantidad de clases identificadas

Clases Numero de ejemplos

derrumbe_viento 20

mineria_convencional 83

tala_quema 168

floracion 47

neblina 675

mineria_artesanal 256

explotacion_selectiva 263

suelo_desnudo 328

zona_urbanizada 2776

cultivo 3571

parcialmente_nubes 2247

agua 3266

via 6190

agricultura 9486

bosque_primario 12146

Fuente: Propia

Cabe mencionar que, dadas las insuficiencias en la capacidad computacional, debidas al

uso de un equipo personal con las siguientes características: Fabricante: Hacer ; Modelo:

Aspire F5-573G; Procesador: Intel® Core™ i5-7200U CPU @ 2.50GHz 2.70 GHz; Tipo

de sistema: Sistema operativo de 64 bits, procesador x64, el número de imágenes a

procesar se redujo a 389 para el conjunto de entrenamiento y 80 para el conjunto de

validación. Además del criterio para la selección de la cantidad de ejemplos ya

mencionado (80 – 20), se tuvo en cuenta las clases de interés (minería convencional, tala

quema, minería artesanal, explotación selectiva, zona urbanizada, cultivo, vía,

agricultura), entendiéndose estas como aquellas clases que de una u otra manera

generan cambios en las coberturas naturales. Es así, como se muestra en la Tabla 4- 2

29

la clase de minería convencional tiene un total de 83 ejemplos, siendo esta cantidad la

menor del conjunto de datos, al tomar este valor como referencia se procedió a

seleccionar una misma cantidad de ejemplos para las demás clases de manera que se

minimizaran las probabilidades de sobreestimación, generando así un conjunto lo

suficientemente nivelado y variado.

Para el conjunto de datos de entrenamiento compuesto por 389 ejemplos el nivel de

correlación entre las diferentes clases se observa en la Figura 4- 2, donde se observa

que el bosque primario se ve afectado principalmente por la agricultura, las vías, los

cultivos y zonas urbanas.

Figura 4- 2: Matrix de correlación conjunto de datos de entrenamiento

Fuente: Propia

4.2 Modelado

4.2.1 Técnica de modelado

Para el procesamiento estadístico y de modelamiento se utilizó un entorno virtual de

trabajo que se manipula a través de jupyter, una aplicación web de código abierto que

permite crear y compartir documentos que soporta más de 40 lenguajes de programación

incluido Python. Con más de 1000 paquetes de desarrollo y administración de datos,



tiene acceso a librerías como Keras, Tensorflow y PyTorch, ampliamente utilizadas en

aprendizaje de máquina para el procesamiento de grandes volúmenes de datos,

predicciones y ciencia de la computación.

Para este proyecto se hizo uso de Keras, la más sencilla de entre estas librerías, siendo

un API de nivel alto para construir modelos de aprendizaje profundo, también soportada

por Google. Comparada con los otros marcos de aprendizaje profundo disponibles, ha

demostrado un buen desempeño al priorizar la experiencia del desarrollador, al reducir el

número de acciones requeridas para su uso y aprendizaje; en el año 2018 demostró una

amplia adopción en la industria y en la comunidad de investigación (Deep learning

frameworks ranking computed by Jeff Hale, based on 11 data sources across 7

categories); los modelos desarrollados con keras se pueden implementar fácilmente en

una mayor variedad de plataformas (iOS, Android, Google Cloud, JVM, Navegador, etc)

que en cualquier otro marco; es compatible con múltiples motores back-end que permite

el manejo de problemas de manera modular, y que no reduce el trabajo en un solo

ecosistema; cuenta con un sólido soporte multi-GPU y de entrenamiento distribuido; se

encuentra respaldado por empresas clave en el aprendizaje profundo como Google,

Microsoft, nvidia, aws.

4.2.2 Arquitectura del modelo

Se exploraron modelos disponibles para la clasificación de imágenes en Keras como:

VGG16 y VGG19, probados en repositorios como ImageNet, un conjunto de datos

compuesto por más de 1.000 imágenes por cada una de las cerca de 100.000 clases que

contiene. De estos modelos se seleccionó VGG19 que para este proyecto se denominó

Amazon_model_vgg19.

Con fines comparativos se construyó un modelo basado en los resultados recogidos en el

estado del arte de este documento (Sharma et al., 2017; Paoletti et al., 2018) y se

denominó Amazon_model.

En la Figura 4- 3 se ilustra de manera general la arquitectura del modelo Amazon_model.

Con un conjunto de imágenes de entrada de 256 X 256 X 3, la red se conforma de 8

31

capas convolucionadas que utilizan la función ReLU como función no lineal de activación,

4 capas maxpool, y 2 capas completamente conectadas que también utilizan la función

ReLU.

Figura 4- 3: Arquitectura Amazon_model.

Fuente: Propia

En este modelo, la capa convolucional 0 toma los datos de la capa de entrada y le realiza

32 filtros de tamaño 3 x 3. Todas las siguientes capas toman la salida de las capas

previas como entrada. El número de filtros de las capas convolucionadas aumenta a

medida que se profundiza en la red, de 32 pasa a 64, después a 128 y por último a 256.

El tamaño de los filtros es el mismo para todas las capas, es decir, de 3 x 3.



Por su parte al modelo VGG19 se le quitaron de su estructura (Simonyan & Zisserman,

2014), dos capas completamente conectadas de 4096 neuronas, cada una, y se le

añadió una capa softmax para su clasificación.

La arquitectura del modelo Amazon_model_vgg19 se desglosa en la Figura4- 4. Como se

observa este modelo está compuesto por 16 capas convolucionadas construidas con

filtros que aumentan de cantidad a medida que se profundiza en la red (64, 128, 256,

512) de tamaño de 3 x 3; 5 capas maxpool con tamaño de filtro de 2 x 2; 1 capa

completamente conectada con 1.000 neuronas y 1 capa softmax.

33

Figura 4- 4: Arquitectura Amazon_model_vgg19

Fuente: Propia

4.2.3 Construcción del modelo

Para el entrenamiento de los modelos Amazon_model y Amazon_model_vgg19, solo se

utilizaron las 3 bandas del espectro visible (RGB) de las imágenes, ya que el



procesamiento de la banda del infrarrojo sugiere cambios en la arquitectura de los

modelos que no fueron objeto de estudio de este proyecto.

La transformación en código de las arquitecturas de los modelos entrenados descrita en

la sección 4.2.2, se muestra a continuación:

Amazon_model

Def Amazon_Model(input_shape=(256, 256, 3), weight_path=None):

Model = Sequential()

Model.add(BatchNormalization(input_shape=input_shape))

Model.add(Conv2D(32, kernel_size=(3,3), padding=’same’, activation=’relu’))

Model.add(Conv2D(32, kernel_size=(3,3), activation=’relu’))

Model.add(Maxpooling2D(poll_size=(2,2)))

Model.add(Dropout(0.15))













Model.add(Flatten())

Model.add(Dense(512, activation=’relu’))

35

Model.add(BatchNormalization())


Model.add(Dense(16, activation=’softmax’))

Amazon_model_vgg19

Def Amazon_model_vgg19(input_shape=(56,256,3),weight_path=None):

From keras.applications.vgg19 import VGG19

Base_model=VGG19(include_top=False,

Weights=’imagenet’,

Input_sahpe=input_shape)

Model = Sequential()

Model.add(BatchNormalization(input_shape=input_shape))

Model.add(base_model)

Model.add(flatten())

Model.add(Dense(16, activation=’softmax’))

Como parte de los experimentos que se llevaron a cabo en la construcción de los

modelos para mejorar los resultados de la clasificación, se consideró incluir un número

de muestras del conjunto de datos de entrenamiento que se dispone a propagar a través

de la red, es decir, que al incluir este parámetro en la estimación del modelo, no se toma

la totalidad de ejemplos del conjunto de datos para entrenar a la red, sino que lo hace por

muestras de un tamaño especifico. Las ventajas de este procedimiento son que requirió

un menor uso de memoria RAM y que el desempeño mejoró. En la Tabla 4- 3 se

muestran las diferencias en la exactitud de la clasificación con distintos tamaños de

muestras, siendo 10 la mejor cantidad de ejemplos, con una exactitud de 79,69%.



Tabla 4- 3: Exactitud de la clasificación obtenida con diferentes tamaños de muestra

Tamaño de

las muestras

Tiempo por

iteración

(segundos)

Tiempo

total (horas)

Exactitud

(%)

10 348 5 79,69

20 207 3 77,15

30 115 2 75,84

Fuente: Propia

4.3 Evaluación

La evaluación del modelo se hizo primero en cuanto al desempeño de los algoritmos y

segundo en cuanto a los resultados en la clasificación.

Es así, como con un máximo de 50 iteraciones para el procesamiento de cada modelo,

valor escogido por la capacidad computacional del equipo personal utilizado, y con los

mismos parámetros para la compilación y la estimación, el rendimiento en tiempo del

modelo Amazon_model fue de 5 horas (alrededor de 348 segundos por iteración) y del

modelo Amazon_model_vgg19 de 18 horas (alrededor de 991 segundos por iteración).

De este procesamiento se obtuvo una exactitud de clasificación para el modelo

Amazon_model de 79% en el conjunto de datos de entrenamiento y 73% en el conjunto

de datos de validación (Figura 4- 5). Mientras que para el modelo Amazon_model_vgg19

la exactitud fue de 73% en el conjunto de datos de entrenamiento y 51% en el conjunto

de datos de validación del (Figura 4- 6).

37


validación para el modelo Amazon_model

Fuente: Propia


validación para el modelo Amazon_model_vgg19

Fuente: Propia

Los picos que se observan en las Figura 4- 5 y Figura 4- 6 de la medición de exactitud

del aprendizaje del conjunto de validación en ambos modelos demuestran deficiencias en

el aprendizaje del algoritmo. Esto posiblemente causado por un número insuficiente de

ejemplos que no permitieron a los modelos asimilar las clases.

En cuanto a los resultados de la clasificación en la Tabla 4- 4 se muestra un ejemplo de

la clasificación de una misma imagen utilizando los dos modelos. Se evidencia que el

Amazon_model acertó al clasificar tres de las cuatro clases presentes en la imagen,

mientras que el Amazon_model_vgg19 solo clasifico dos.



Tabla 4- 4: Ejemplo de comparación de los resultados de clasificación de los modelos

Imagen Nombre de

la imagen

Clase real Clase predicha

modelo

Amazon_model

Clase predicha

modelo

Amazon_model_vgg1

9

Train_3599

0

agricultura

parcialmente_nube

s bosque_primario

tala_quema

agricultura

parcialmente_nube

s bosque_primario

parcialmente_nubes

bosque_primario

Basados en los porcentajes de exactitud ya mencionados y en la comparación de la

clasificación de las imágenes por los dos modelos, se escogió al Amazon_model como

modelo de clasificación, utilizándose para realizar la predicción de clases del conjunto de

datos de validación.

Como resultado se puede observar en la Tabla 4- 5, que los principales errores en la

clasificación de clases son:

▪ La diferenciación de clases, al confundir vías y tala selectiva, minería artesanal y

suelo desnudo.

▪ La cantidad de omisiones de clases, principalmente cultivo y agricultura.

Tabla 4- 5: Ejemplos de la predicción del modelo

Imagen Nombre de la

imagen

Clase real Clase predicha

Train_144 agricultura parcialmente_nubes

bosque_primario

explotacion_selectiva

parcialmente_nubes

bosque_primario via

39

Train_225 agricultura cultivo zona_urbana

bosque_primario via

agricultura zona_urbana

bosque_primario via

train_39981 agricultura cultivo

bosque_primario agua

agricultura bosque_primario

agua

Fuente: Propia

4.4 Despliegue

Como parte de los resultados y teniendo en cuenta el tipo de usuario que podría estar

interesado en los hallazgos de este proyecto se desarrolló una aplicación web básica de

consulta y visualización, soportada por las herramientas desarrolladas por ESRI de

ARGIS online para la elaboración del mapa, y ARGIS for Developers y su serie 4.x de la

API de ARGIS para JavaScript, para la creación de la aplicación web.

De esta forma el usuario tiene acceso a la información del nombre de la imagen (ej.

Train_32192) y las clases (ej. bosque_primario tala_quema) que se encuentran en el

polígono de cubrimiento de cada imagen como se muestra en la Figura 4- 7.

Figura 4- 7: Atributos de las imágenes resultado del procesamiento

Fuente: Propia



Para acceder a esta ventana de visualización de resultados solo se debe ejecutar la

plantilla en lenguaje de marcado de hipertexto denominada visor.html (ver archivo

anexo) desde cualquier equipo y navegador de internet.

A continuación, se muestra el script del archivo visor.html utilizado para la creación del

visor geográfico donde se describe la estructura de sus elementos y etiquetas HTML:

-----------------------------------------------------------------------------------------------------------------------

<!DOCTYPE html>

<html>

<head>

<meta charset="utf-8">

<meta name="viewport" content="initial-scale=1,maximum-scale=1,user-scalable=no">

<title>Motores de cambio en la Amazonia</title>

<style>

html,

body,

#viewDiv {

padding: 0;

margin: 0;

height: 100%;

width: 100%;

overflow: hidden;

}

#sidebar {

z-index: 99;

position: absolute;

top: 0;

right: 0;

height: 70%;

background: rgba(0, 0, 0, 0.5);

width: 320px;

}

#text {

color: white;

padding: 2%;

}

.esri-feature {

letter-spacing: 0em;

41

font-family: "Avenir Next", "Helvetica Neue", sans-serif;

line-height: 1.55rem;

font-feature-settings: "liga"1, "calt"0;

background: #fff;

padding: 1em;

}

</style>

<link rel="stylesheet" href="https://js.arcgis.com/4.9/esri/css/main.css">

<script src="https://js.arcgis.com/4.9/"></script>

<script>

require([

"esri/views/MapView",

"esri/WebMap",

"esri/widgets/Search",

"esri/widgets/ScaleBar",

"esri/widgets/LayerList",

"esri/widgets/Expand",

], function(

MapView, WebMap, Search, ScaleBar, LayerList, Expand

) {

var webmap = new WebMap({

portalItem: { // autocasts as new PortalItem()

id: "bd6bcec201fc4b27858bddf8665c35ee"

}

});

var view = new MapView({

map: webmap,

container: "viewDiv"

});

var searchWidget = new Search({

view: view,

container: document.createElement("div")

});

var scaleBar = new ScaleBar({

view: view

});

view.ui.add(scaleBar, {

position: "bottom-right"

});

var layerList = new LayerList({

view: view,



listItemCreatedFunction: function(event) {

var item = event.item;

if (item.layer.type != "group") { // don't show legend twice

item.panel = {

content: "legend",

open: true

};

}

}

});

view.ui.add(layerList, "bottom-left");

var bgExpand = new Expand({

view: view,

content: searchWidget

});

view.ui.add(bgExpand, "top-left");

});

</script>

</head>

<body class="calcite">

<div id="viewDiv">

<div id="sidebar">

<div id="text">

<h1>Motores de cambio</h1>

<p align="justify">En la región de la Amazonía los motores de cambio identificados son el cambio de uso de

la tierra y el cambio climático.

<p align="justify">El cambio de uso de la tierra se refiere a la deforestación y la degradación a gran escala

del bosque primario a través de la agricultura comercial y el desarrollo de infraestructura, la agricultura de

tala y quema, y la industria de la madera (legal e ilegal).</p>

<p align="justify">El cambio climático, se relaciona con la posibilidad de sequias y sabanización

de la Amazonía.</p>

</div>

</div>

</div>

</body>

</html>

-----------------------------------------------------------------------------------------------------------------------

En la Figura 4- 8 se muestra el visor ejecutado.

43

Figura 4- 8: Visor geográfico.

Fuente: Propia

44

Conclusiones y recomendaciones

La vista minable fue seleccionada considerando la minimización de la sobreestimación

del modelo, al ser construida de la forma más nivelada y variada posible, basándose en

el hecho de que las imágenes tuvieran variedad de coberturas de la tierra.

El modelo Amazon_model mostró un mayor desempeño que el modelo consolidado

Amazon_model_vgg19. De los muchos factores que intervinieron en la construcción y

ejecución de estos modelos, y cuya importancia radica en el mejoramiento de la exactitud

de la clasificación, se destacan: el número y la calidad de los datos de entrenamiento; la

cantidad, tipo y características de las capas ocultas del modelo; las variables de

compilación y ajuste (iteraciones, remuestreo, funciones de perdida, optimización y

métricas).

Es indispensable contar con un ambiente de trabajo óptimo (lenguaje de programación y

la librería para la construcción del modelo). Adicionalmente, dada la complejidad de

aprendizaje del modelo, se requiere una gran capacidad computacional que potencie la

implementación de los algoritmos.

Al comparar la clasificación hecha por el modelo en el conjunto de validación se pudo

comprobar que se necesita de una mayor cantidad de ejemplos para que el algoritmo

asimile las diferentes clases de forma más clara, sin caer en confusión de coberturas ni

en interpretaciones erróneas. Al ser un método experimental, la clasificación está sujeta

al proceso de ensayo y error para lograr mejores resultados. De forma que se sugiere

partir de los resultados presentados y continuar con el proceso de experimentación.

45

Finalmente teniendo en cuenta los posibles usuarios de la información generada en este

proyecto que pueden ir desde especialistas en procesamiento digital de imágenes hasta

tomadores de decisiones que no tienen un conocimiento claro de la parte espacial de la

información, se determinó que la forma más sencilla y efectiva de mostrar los resultados

era a través de un visor geográfico que en este caso fue de solo consulta y visualización.

46

Bibliografía

Acosta, L. E., 2008. Sostenibilidad Territorial y bienestar indígena: bases para el diseño

de

indicadores en la Amazonia Colombiana. Instituto Amazónico de Investigaciones

Científicas Sinchi Bogotá.

Castelluccio, Marco, Poggi, Giovanni, Sansone, Carlo, & Verdoliva,Luisa(2015).Land use

classification in remote sensing images by convolutional neural networks,

ArXivPreprintarXiv:1508.00092.

Ciresan, Dan; Meier Ueli; Masci, Jonathan; Gambardella, Luca; Schmidhuber, Jurgen

(2010). Flexible, High Performance Convolutional Neural Networks for Image

Classification. Proceedings of the Twenty-Second International Joint Conference on

Artificial Intelligence. 1237-1242.

Collobert, Ronan, & Weston, Jason (2008). A unified architecture for natural language

processing: Deep neural networks with multitask learning. In Proceedings of the 25th

international conference on machine learning (pp. 160–167). ACM.

David J., Amir H., Amir H., Annette L. (2016). Machine learning in geosciences and

remote sensing. Geoscience Frontiers Volume 7, Issue 1, Pages 3-10.

Deng, Li, Li, Jinyu, Huang, Jui-Ting, Yao, Kaisheng, Yu, Dong, Seide, Frank, et al. (2013).

Recent advances in deep learning for speech research at Microsoft. In 2013 IEEE

international conference on acoustics, speech and signal processing (pp. 8604–8608).

IEEE.

Fisher, P., 1997. The pixel:a snare and a delusion. Int. J. Remote Sens. 18 (3), 679-685.

47

Fukushima, Kunihiko (1980). Neocognitron: A Self-organizing Neural Network Model for a

Mechanism of Pattern Recognition Unaffected by Shift in Position. Biological Cybernetics

36 (4): 193–202.

G. Büttner, J. Feranec, G. Jaffrain, L. Mari, G. Maucha, T. Soukup, 2004. The CORINE

land cover 2000 project. EARSeL eProceedings, vol. 3, no. 3, pp. 331–346.

Gao Yan, Su Fenzhen (2013). Study on Machine Learning Classifications Based on OLI

Images. International Conference on Mechatronic Sciences, Electric engineering and

Computer (MEC): 1472-1476.

Gidudu, Anthony, Hulley, Greg, & Marwala,Tshilidzi (2007).Classification of images using

support vector machines, CoRR(arXiv:0709-3967v1).

Gore, A. 1992. La Tierra en juego. EMECE. Buenos Aires.

He, Kaiming, Zhang, Xiangyu, Ren, Shaoqing, & Sun, Jian (2015). Deep Residual

Learning for Image Recognition, ArXiv Preprint arXiv:1512.03385.

Hinton, Geoffrey, Deng, Li, Yu, Dong, Dahl, George E, Mohamed, Abdel rahman, Jaitly,

Navdeep, et al. (2012). Deep neural networks for acoustic modeling in speech

recognition: The shared views of four research groups. IEEE Signal Processing

Magazine, 29(6), 82–97.

Hinton, Geoffrey E., & Salakhutdinov, Ruslan R. (2006). Reducing the dimensionality of

data with neural networks. Science, 313(5786), 504–507.

Hu, Wei, Huang, Yangyu, Wei, Li, Zhang, Fan, & Li, Hengchao (2015). Deep

convolutional neural networks for hyperspectral image classification. Journal of Sensors,

2015.

Huang, Kal-Y. I. (2002). A synergistic automatic clustering technique (SYNERACT) for

multispectral image analysis. Photogrammetric Engineering and RemoteSensing,68(1).



ImageNet [online]. Disponible en internet: http://www.image-net.org/

Kavzoglu, T., & Mather, P. M. (2003). The use of backpropagating artificial neural

networks in land cover classification. International Journal of Remote Sensing, 24(23).

Krizhevsky, Alex, Sutskever, Ilya, & Hinton, Geoffrey E. (2012). Imagenet classification

with deep convolutional neural networks. In Advances in neural information processing

systems, Vol. 25. Curran Associates, Inc.

LeCun, Yann; Léon Bottou; Yoshua Bengio; Patrick Haffner (1998). "Gradient-based

learning applied to document recognition". Proceedings of the IEEE 86 (11): 2278–2324.

LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature 521, 436-444.

LEYENDA NACIONAL DE COBERTURAS DE LA TIERRA Metodología CORINE Land

Cover Adaptada para Colombia Escala 1:100.000, 2010. Disponible en internet:

http://siatac.co/c/document_library/get_file?uuid=a64629ad-2dbe-4e1e-a561-

fc16b8037522&groupId=762.

Mark Ryan M.Talabis, Robert McPherson, I.Miyamoto, Jason L.Martin, D.Kaye, 2015.

Information Security Analytics Finding Security Insights, Patterns and Anomalies in Big

Data, Pages 1-12, Chapter 1 - Analytics Defined.

Mohsen Edalat, Enayat Jahangiri, Emran Dastras, Hamid Reza Pourghasemi, 2019.

Prioritization of Effective Factors on Zataria multiflora Habitat Suitability and its Spatial

Modeling. Spatial Modeling in GIS and R for Earth and Environmental Sciences, Pages

411-427.

Nahla Ben Amor, Salem Benferhat, ZiedElouedia, 2006. Qualitative Classification with

Possibilistic Decision Trees. Modern Information Processing From Theory to Applications,

Pages 159-169)

http://siatac.co/c/document_library/get_file?uuid=a64629ad-2dbe-4e1e-a561-fc16b8037522&groupId=762

http://siatac.co/c/document_library/get_file?uuid=a64629ad-2dbe-4e1e-a561-fc16b8037522&groupId=762


49

Nogueira, Keiller, Penatti, Otávio A. B., & dos Santos, Jefersson A. (2016). Towards

Better Exploiting Convolutional Neural Networks for Remote Sensing Scene

Classification, ArXiv Preprint arXiv:1602.01517.

Paoletti, M.E., Haut J.M., Plaza J., Plaza A. (2018). A new deep convolutional neural

network for fast hyperspectral image classification, ISPRS Journal of Photogrammetry

and Remote Sensing 145,120–147.

Pedlowski, M., Dale, V., Matricardi, E., and da Silva Filho, E. (1997). Patterns and

impacts of deforestation in Rondônia, Brazil. Landscape and Urban Planning, 38, 149–

157.

Romero, Adriana, Gatta, Carlo, & Camps-Valls, Gustau (2016). Unsupervised deep

feature extraction for remote sensing image classification. IEEE Transactions on

Geoscience and Remote Sensing, 54(3), 1349–1362.

Runping, S., Anqi, H., Bolun, L., Jia, G. (2019). Construction of a drought monitoring

model using deep learning based on multi-source remote sensing data. International

Journal of Applied Earth Observation and Geoinformation, Volume 79, Pages 48-57.

Russakovsky, Olga, Deng, Jia, Su, Hao, Krause, Jonathan, Satheesh, Sanjeev, Ma,

Sean, et al. (2015). Imagenet large scale visual recognition challenge. International

Journal of Computer Vision, 115(3), 211–252.

S. Džeroski, 2008. Encyclopedia of Ecology, 2008. Data Mining, Pages 821-830.

Sermanet, Pierre, Eigen, David, Zhang, Xiang, Mathieu, Michaël, Fergus, Rob, & LeCun,

Yann (2013). Overfeat: Integrated recognition, localization and detection using

convolutional networks, ArXiv Preprint arXiv:1312.6229.

Sharma A., Liu X., Yang X., Shi D. (2017). A patch-based convolutional neural network for

remote sensing image classification, Neural Networks 95, 19–28.

Simonyan K, Zisserman A (2014). Very Deep Convolutional Networks for Large-Scale

Image Recognition, ArXiv:1409.1556.



Siyuan Lu, Zhihai Lu, Xianqing Chen, Shuihua Wang, Yudong Zhang, (2017). Flower

Classification Based on Single Petal Image and Machine Learning Methods. 13th

International Conference on Natural Computation, Fuzzy Systems and knowledge

Discovery (ICNC-FSKD): 826-831.

Socher, Richard, Lin, Cliff C., Manning, Chris, & Ng, Andrew Y. (2011). Parsing natural

scenes and natural language with recursive neural networks. In Proceedings of the 28th

international conference on machine learning, ICML-11

(pp. 129–136).

Strahler, Alan H. (1980). The use of prior probabilities in maximum likelihood classification

of remotely sensed data. Remote Sensing of Environment, 10(2).

Earth observatory [online]. World of Change: Amazon Deforestation. Disponible en

internet: https://earthobservatory.nasa.gov/WorldOfChange/deforestation.php

Wikipedia [online]. Redes neuronales convolucionales. Disponible en internet:

https://es.wikipedia.org/wiki/Redes_neuronales_convolucionales#cite_note-3

USGS. (2016b). UsingtheUSGSLandsat8Product,http://landsat.usgs.gov/Landsat8_

Using_Product.php[Online;accessed11.08.16].

Xu, Min, Watanachaturaporn, Pakorn, Varshney, Pramod K., & Arora, Manoj K. (2005).

Decision tree regression for soft classification of remote sensing data.

RemoteSensingofEnvironment,97(3).

Zhao, Wenzhi, & Du, Shihong (2016). Spectral–spatial feature extraction for hyperspectral

image classification: A dimension reduction and deep learning approach. IEEE

Transactions on Geoscience and Remote Sensing, 54(8), 4544– 4554.

https://earthobservatory.nasa.gov/WorldOfChange/deforestation.php

https://es.wikipedia.org/wiki/Redes_neuronales_convolucionales#cite_note-3

51

Zhang, I., Zhang, I., Du, B., 2016a. Deep learning for remote sensing data advances in

machine learning for remote sensing and geosciences IEE Geosci. Remote Sens. Mag. 4

(2), 22-40 http://ieeexplore.ieee.org/document/7486259/

http://ieeexplore.ieee.org/document/7486259/

implementación de redes neuronales convolucionadas para la

Documents