El equipo del proyecto «Inteligencia artificial y semántica de datos de observación de la Tierra para el establecimiento de la Valencia Anchor Station como supersite del programa CEOS LPV» (ASOTVAS) ha publicado recientemente un artículo en la revista científica International Journal of Applied Earth Observation and Geoinformation (Elsevier). La publicación demuestra que es posible clasificar con alta precisión la cubierta terrestre usando algoritmos de machine learning y deep learning, incluso cuando se dispone de un número limitado de muestras de entrenamiento.
Durante los tres años de duración del proyecto ASOTVAS, desde su inicio en septiembre de 2021 hasta agosto de 2024, el equipo recopiló datos relacionados con la humedad del suelo, la temperatura de la superficie y parámetros biofísicos de la vegetación, con el fin de mejorar las observaciones satelitales mediante inteligencia artificial y técnicas semánticas.
El estudio se ha centrado en la Valencia Anchor Station (VAS), situada en la comarca de Utiel-Requena y donde se desarrolló la iniciativa, un enclave clave para la validación de datos de teledetección de programas como Copernicus, CEOS o NASA. En este sentido, ha analizado un área de 10 × 10 kilómetros cuadrados y su entorno, hasta 30 × 30 kilómetros cuadrados, utilizando imágenes multitemporales del satélite Sentinel-2 para el año 2021.
La investigación comparó seis algoritmos de machine learning y tres de deep learning en diferentes configuraciones, evaluando el impacto de distintos niveles de resolución temporal, la selección de características y la reducción del número de muestras de entrenamiento. De forma destacada, el modelo basado en redes neuronales convolucionales residuales (ResCNN) alcanzó una precisión global del 96 % y un coeficiente kappa del 95 % en julio, coincidiendo con el máximo desarrollo vegetativo de los viñedos.
El artículo concluye que, mediante una metodología robusta y bien ajustada, es viable extender la clasificación del uso del suelo a áreas mayores, de 1, 5 y 10 kilómetros adicionales, sin necesidad de añadir nuevas muestras de entrenamiento. Además, el modelo desarrollado superó significativamente a productos globales como ESA WorldCover y ESRI Land Use/Land Cover en todas las métricas de precisión.
Los investigadores David García-Rodríguez, Ana Pérez-Hoyos, Beatriz Martínez, Pablo Catret, José Javier Samper, Ernesto López-Baeza y Juan José Martínez, todos ellos vinculados a la Universitat de València, han participado en este trabajo pionero que refuerza la utilidad de la inteligencia artificial en teledetección de alta precisión.
Esta publicación es parte del proyecto PID2020-120438RB-I00, financiado por MCIN/ AEI/10.13039/501100011033.
También en:
Parc Científic de la Universitat de València
