Acceso Abierto | Fecha de Publicación:

Mapeo de vegetación urbana a partir de imágenes aéreas utilizando IA explicable (XAI)

Año: 2021 | Colección: Investigación | Categoría:
20 lecturas


El mapeo de la vegetación urbana es fundamental en muchas aplicaciones, es decir, para preservar la biodiversidad, mantener el equilibrio ecológico y minimizar el efecto de isla de calor urbana. Sigue siendo un desafío extraer coberturas de vegetación precisas a partir de imágenes aéreas, utilizando enfoques de clasificación tradicionales, porque las categorías de vegetación urbana tienen estructuras espaciales complejas y propiedades espectrales similares. Las redes neuronales profundas (deep neural networks, DNN) han mostrado una mejora significativa en los resultados de clasificación de imágenes de teledetección durante los últimos años. Estos métodos son prometedores en este dominio, pero poco fiables por varias razones, como el uso de características descriptivas irrelevantes en la construcción de los modelos y la falta de calidad en la imagen etiquetada. La inteligencia artificial explicable (explainable artificial intelligence, XAI) puede ayudarnos a comprender mejor estos límites y, como resultado, ajustar el modelo y el conjunto de datos de entrenamiento según sea necesario. Por lo tanto, en este trabajo, explicamos cómo se puede utilizar un modelo de explicación llamado explicaciones aditivas de Shapley (SHAP) para interpretar la salida del modelo DNN que está diseñado para clasificar las cubiertas vegetales.

En este trabajo se buscó no solo producir mapas de vegetación de alta calidad, sino también clasificar los parámetros de entrada y seleccionar las características adecuadas para la clasificación. Por lo tanto, se probó el método acá desarrollado en el mapeo de la vegetación a partir de imágenes aéreas basadas en características espectrales y de textura. Las características de textura pueden ayudar a superar las limitaciones de una resolución espectral deficiente en las imágenes aéreas para el mapeo de la vegetación.

El modelo fue capaz de obtener una precisión general (OA) del 94,44% para el mapeo de la cobertura vegetal. Las conclusiones derivadas de las gráficas SHAP demuestran la alta contribución de características, como Hue, Brightness, GLCM_Dissimilarity, GLCM_Homogeneity y GLCM_Mean a la salida del modelo propuesto para el mapeo de vegetación.

Por lo tanto, el estudio indica que las estrategias de mapeo de la vegetación existentes basadas únicamente en características espectrales son insuficientes para clasificar adecuadamente las cubiertas vegetales.

Título Original:

"Urban Vegetation Mapping from Aerial Imagery Using Explainable AI (XAI)"

Autor/es:

Abolfazl Abdollahi, Biswajeet Pradhan
Este recurso está relacionado con las siguientes temas de salud:

Tipo de Documento:

 En Web

Idioma:

Inglés

Año de publicación:

2021

Tamaño del recurso:

0.00 KB

Accesos al recurso:

22
Esta web utiliza cookies.   
Privacidad