Comparación de modelos de aprendizaje profundo para la clasificación y segmentación de áreas de interés forestal.

Abstract

En la industria forestal existe una necesidad latente de monitorear las superficies de cultivo con el objetivo de segmentar y clasificar los distintos tipos de suelo para la toma de decisiones corporativas respecto al uso de estas áreas. Actualmente, se utilizan técnicas manuales para el desarrollo de estas actividades, y para grandes extensiones de terrenos resultan ser poco eficientes y con altos costos en tiempo y recursos. Sin embargo, los avances en aprendizaje profundo han mostrado tener un gran potencial para el desarrollo de soluciones automatizadas, transform´andose en el estado del arte para estas tareas. Por esto, el objetivo de esta memoria de título es implementar, comparar y evaluar dos modelos de aprendizaje profundo, Fully Convolutional Network y Multi-path Residual Network, para la tarea de clasificación y segmentación de los distintos tipos de áreas de interés forestal como cultivos de distintas edades, tanto de pino como de eucaliptos, bosques nativos y caminos. Esto a partir de imágenes aéreas georeferenciadas de predios previamente etiquetados. Los principales resultados muestran que no existen grandes diferencias entre los rendimientos de un modelo sobre el otro. Cada modelo resultó ser mejor en dos de los cuatro predios forestales del experimento. Se concluye que ambos modelos tienen un gran potencial para la clasificación de uso de suelo, por sobre la evidencia de rendimientos deficientes en algunas categorías en predios específicos.