Aprendizaje profundo para el análisis de la cobertura de árboles urbanos: Una comparación y un estudio de caso

La cobertura del doselDosel corresponde a la capa superior de un bosque, formada por las copas de los árboles más altos. arbóreo urbano (urban tree canopy, UTCUTC es la sigla de "Urban Tree Canopy", que al español se traduce como "cobertura arbórea urbana". Corresponde al porcentaje del área de una ciudad que está ocupado por las copas de los árboles cuando...), o área, es una métrica importante para monitorizar los cambios en el UTC en grandes áreas dentro de un municipio. Se han utilizado varios métodos para obtener estos datos, pero la clasificación de imágenes por teledetección es uno de los más rápidos y fiables en grandes áreas. Sin embargo, la mayoría de los estudios han probado solo uno o dos métodos de clasificación para lograrlo mientras se utilizan costosas imágenes de satélite o datos LiDARLiDAR es la sigla de "Light Detection and Ranging o Laser Imaging Detection and Ranging". Es una tecnología de teledetección que utiliza pulsos de luz láser para medir distancias con gran precisión. Se emplea comúnmente....

Este estudio pretende comparar tres clasificadores de la cubierta arbórea urbana probando una red neuronal convolucional U-Net (CNN) de aprendizaje profundo, un clasificador de aprendizaje automático de vectores de soporte (SVM) y un clasificador de aprendizaje automático de bosques aleatorios (RF) en imágenes aéreas gratuitas de 2012 sobre una ciudad pequeña del sur de Estados Unidos y una ciudad mediana del sur de Estados Unidos en crecimiento.

Los resultados del experimento se utilizan después para decidir cuál es el mejor clasificador y aplicarlo a imágenes aéreas más recientes para determinar los cambios en el dosel durante un periodo de 10 años. Posteriormente, los cambios se comparan visual y estadísticamente con mapas recientes de calor urbano derivados de datos térmicos del satélite LandsatLandsat es un programa de observación de la Tierra desarrollado por la NASA y el USGS (Servicio Geológico de Estados Unidos), que ha proporcionado imágenes satelitales desde 1972. Sus datos son fundamentales para el estudio... 9 para comparar las medias de las temperaturas dentro de las zonas con pérdida de UTC y sin cambios. El clasificador U-Net CNN demostró proporcionar la mejor precisión global para ambas ciudades (89,8% y 91,4%), aunque también requirió el mayor tiempo de entrenamiento y clasificación. Cuando se comparó espacialmente con los mapas de calor de las ciudades, las regiones periféricas de las ciudades fueron las más afectadas por los cambios sustanciales en la zona UTC, ya que las ciudades crecen y las regiones exteriores se calientan. Además, las zonas con pérdida de UTC registraron temperaturas más elevadas que las zonas sin cambios en el dosel.

Las repercusiones más amplias de este estudio alcanzan a los gestores forestales urbanos a nivel local, estatal/provincial y nacional, ya que tratan de proporcionar decisiones basadas en datos a los responsables políticos.

Título Original:

"Deep Learning for Urban Tree Canopy Coverage Analysis: A Comparison and Case Study"

Autor/es: