Interpretación de:
An unsupervised domain adaptation approach for change detection and its application to deforestation mapping in tropical biomes
https://doi.org/10.1016/j.isprsjprs.2021.08.026Soto Vega, P., Costa, G., Feitosa, R., Ortega Adarme, M., Almeida, C., Heipke, C., Rottensteiner, F., 2021: An unsupervised domain adaptation approach for change detection and its application to deforestation mapping in tropical biomes, ISPRS Journal of Photogrammetry and Remote Sensing, 181, 113-128, https://doi.org/10.1016/j.isprsjprs.2021.08.026
Intérprete
HUMAN LOPEZ AMANCIO
Fecha de interpretación
30/05/2024
Revisor
Calderon Martha S.
Resultados y conclusiones
Dentro de los sistemas de monitoreo de deforestación, la teledetección es una herramienta precisa para el seguimiento y control de esta a través de las imágenes satelitales. Sin embargo, realizar revisiones y análisis de distintas imágenes en grandes extensiones de territorio significa un gran trabajo de por medio, es por ello que dentro los sistemas de clasificación de las imágenes satelitales el aprendizaje profundo permite a través de un código automatizar procesos en de clasificación. Pero esta clasificación tiende a tener errores en su automatización puesto que necesita supervisión a través de etiquetas. Dentro de zonas de mismas caracterizas, los sistemas de aprendizaje profundo comparan imágenes de diferente dominio llamándola adaptación de dominio, que abarca dos espacios diferentes para aprender de la primera y así poder clasificar el dominio objetivo. En este artículo se nos presenta una manera de procesar las imágenes, de tal manera, de obtener óptimas clasificaciones utilizando 2 pares de imágenes en diferentes estaciones en dos diferentes dominios, adaptando la técnica de identificación de características para mejorar el proceso. Los resultados mostraron que el enfoque propuesto superó las líneas de base (cuando no se realizó ninguna adaptación) en un 7,1% en términos de precisión promedio y un 9,1% en términos de puntuación F1. Esto significa que el enfoque propuesto logró una mejora significativa en la precisión de la clasificación en comparación con los clasificadores previamente entrenados, lo que demuestra su eficacia en la adaptación de las imágenes a diferentes dominios y condiciones ambientales.
Metodología y datos
Se recopilaron imágenes Landsat-8 de diferentes sitios en la selva amazónica y en el Cerrado (sabana) brasileño, cada sitio corresponde a un dominio. Además, se utilizó el método de adaptación de apariencia llamado Cycle-Consistent Generative Adversarial Network (CycleGAN), el cual evalúa la detección de deforestación, considerando diferentes sitios en la selva amazónica y el Cerrado brasileño utilizando imágenes Landsat-8. Mediante la medición de la precisión de un clasificador entrenado con imágenes y referencias de un dominio fuente en la clasificación de otro dominio, donde dos dominios están asociados con regiones de la Amazonia Legal Brasileña (BLA) que contienen áreas de Bosque Ombrofilo Denso y áreas de Bosque Ombrofilo Abierto. El tercer dominio representa un sitio en la transición entre el Cerrado brasileño y la selva amazónica, que contiene áreas de bosque estacional caducifolio y semideciduo. Se evaluaron seis combinaciones diferentes de los dominios, considerando cada una de las tres áreas como dominios de origen y de destino en la tarea de adaptación.
Limitaciones de la investigación
El estudio se centra en la adaptación de dominios no supervisados para tareas de detección de cambios desarrollados específicamente para la detección de deforestación en biomas tropicales. Durante la evaluación se limita a dos regiones específicas de la selva amazónica y del Cerrado brasileño utilizando imágenes satelitales como Landsat-8 y no abarcando más áreas deforestadas en la Amazonía. Por otro lado, no explora otros tipos de cambios ambientales ni diferentes regiones o sensores. Por lo tanto, es posible que los resultados no se generalicen a otras tareas de detección de cambios o fuentes de datos.
Recomendaciones
En base a los resultados experimentales, se debe sugerir que podría haber márgenes para mejorar la capacidad de generalización del modelo clasificador, el cual se podría lograr explotando mejor los datos de entrenamiento, mediante técnicas de aumento de datos adicionales, simplificando el clasificador en términos del número de parámetros, reduciendo así el riesgo de sobreajuste.
Adaptación: Bosques
Mitigación: Uso de suelo, cambio de uso de suelo y silvicultura
Escala: Regional
Ámbito geográfico: Selva amazónica y en el Cerrado brasileño
Palabras clave: Deforestación, técnicas de adaptación
Cita de la interpretación
HUMAN LOPEZ, AMANCIO, 2024: Interpretación de Soto Vega et al. (2021, doi:10.1016/j.isprsjprs.2021.08.026), Observatorio de Conocimiento Científico sobre Cambio Climático del Perú, IGP, https://cienciaclimatica.igp.gob.pe/entities/interpretation/9c296aa5-b66d-4af2-9a07-0253dd8eeaa6