Resumen

La clasificación de fotografías aéreas basada exclusivamente en el contenido espectral constituye un reto en teledetección. Se desarrolló una red neuronal convolucional (CNN) para clasificar fotografías aéreas en siete clases de cobertura del suelo: edificios, praderas, vegetación densa, masas de agua, terrenos baldíos, carreteras y sombras. El clasificador utilizó el contenido espectral y espacial de los datos para maximizar la precisión del proceso de clasificación. La CNN se entrenó desde cero con muestras de verdad sobre el terreno creadas manualmente. La arquitectura de la red constaba de una única capa de convolución de 32 filtros y un tamaño de núcleo de 3 × 3, tamaño de agrupación de 2 × 2, normalización por lotes, abandono y una capa densa con activación Softmax. El diseño de la arquitectura y sus hiperparámetros se seleccionaron mediante análisis de sensibilidad y precisión de validación. Los resultados mostraron que el modelo propuesto podía ser eficaz para clasificar las fotografías aéreas. La precisión global y el coeficiente Kappa del mejor modelo fueron de 0,973 y 0,967, respectivamente. Además, el análisis de sensibilidad sugirió que el uso de la técnica de abandono y normalización por lotes en la CNN es esencial para mejorar el rendimiento de generalización del modelo. El modelo CNN sin las técnicas anteriores obtuvo el peor rendimiento, con una precisión general y un Kappa de 0,932 y 0,922, respectivamente. Esta investigación muestra que los modelos basados en CNN son robustos para la clasificación de la cubierta terrestre utilizando fotografías aéreas. Sin embargo, la arquitectura y los hiperparámetros de estos modelos deben seleccionarse y optimizarse cuidadosamente.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:fotografías aéreas, cnn, arquitectura, precisión global, análisis de sensibilidad, red neuronal convolucional, muestras reales, clases de cobertura del suelo, capa convolucional única, abandono
• Keywords:aerial photographs, cnn, architecture, overall accuracy, sensitivity analysis, convolutional neural network, ground truth samples, land cover classes, single convolution layer, dropout