Rendimiento de Segmentación y Mapeo de Dunas en Imágenes de Teledetección de Múltiples Fuentes Usando Aprendizaje Profundo
Autores: Zhao, Pengyu; An, Jiale; Zheng, Jianghua; Han, Wanqiang; Tuerxun, Nigela; Cui, Bochao; Zhao, Xuemi
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Dunas
Características geomorfológicas
Mapeo automatizado
Regiones desérticas
Datos de teledetección
Modelos de aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Las dunas son características geomorfológicas clave en entornos eólicos, y su mapeo automatizado es esencial para la gestión ecológica y la alerta temprana de desastres por tormentas de arena en regiones desérticas. Sin embargo, la diversidad y complejidad de la morfología de las dunas presentan desafíos significativos al utilizar métodos de clasificación tradicionales, particularmente en la extracción de características, la optimización de parámetros del modelo y el mapeo a gran escala. Este estudio se centra en el desierto de Gurbantünggüt en China, utilizando la plataforma en la nube Google Earth Engine (GEE) junto con datos de teledetección de múltiples fuentes de Landsat-8 (30 m) y Sentinel-2 (10 m). Al integrar tres modelos de aprendizaje profundo: DeepLab v3, U-Net y U-Net++, esta investigación evalúa el impacto del tamaño del lote, la resolución de la imagen y la estructura del modelo en el rendimiento de segmentación de dunas, produciendo en última instancia un mapa de tipos de dunas de alta precisión. Los resultados indican que (1) el tamaño del lote afecta significativamente la optimización del modelo. Aumentar el tamaño del lote de 4 a 12 mejora la precisión general (OA) del 69.65% al 84.34% para Landsat-8 y del 89.19% al 92.03% para Sentinel-2. Aumentar el tamaño del lote a 16 resulta en una mejora más lenta de la OA, alcanzando Landsat-8 una OA del 86.63% y Sentinel-2 una OA del 92.32%, lo que sugiere que la optimización del gradiente se acerca a la saturación. (2) La mayor resolución de Sentinel-2 mejora enormemente la capacidad de capturar detalles más finos, con la precisión de segmentación (OA: 92.45%) siendo un 5.82% más alta que la de Landsat-8 (OA: 86.63%). (3) El modelo U-Net tiene el mejor rendimiento en imágenes de Sentinel-2 (OA: 92.45%, F1: 90.45%), mejorando la precisión en un 0.13% en comparación con DeepLab v3, y proporciona una delimitación de límites más precisa. Sin embargo, DeepLab v3 demuestra una mayor adaptabilidad a imágenes de baja resolución. Este estudio presenta un enfoque de segmentación de dunas que integra datos de múltiples fuentes y optimización de modelos, ofreciendo un marco para el monitoreo dinámico y el mapeo a escala fina de la geomorfología del desierto.
Descripción
Las dunas son características geomorfológicas clave en entornos eólicos, y su mapeo automatizado es esencial para la gestión ecológica y la alerta temprana de desastres por tormentas de arena en regiones desérticas. Sin embargo, la diversidad y complejidad de la morfología de las dunas presentan desafíos significativos al utilizar métodos de clasificación tradicionales, particularmente en la extracción de características, la optimización de parámetros del modelo y el mapeo a gran escala. Este estudio se centra en el desierto de Gurbantünggüt en China, utilizando la plataforma en la nube Google Earth Engine (GEE) junto con datos de teledetección de múltiples fuentes de Landsat-8 (30 m) y Sentinel-2 (10 m). Al integrar tres modelos de aprendizaje profundo: DeepLab v3, U-Net y U-Net++, esta investigación evalúa el impacto del tamaño del lote, la resolución de la imagen y la estructura del modelo en el rendimiento de segmentación de dunas, produciendo en última instancia un mapa de tipos de dunas de alta precisión. Los resultados indican que (1) el tamaño del lote afecta significativamente la optimización del modelo. Aumentar el tamaño del lote de 4 a 12 mejora la precisión general (OA) del 69.65% al 84.34% para Landsat-8 y del 89.19% al 92.03% para Sentinel-2. Aumentar el tamaño del lote a 16 resulta en una mejora más lenta de la OA, alcanzando Landsat-8 una OA del 86.63% y Sentinel-2 una OA del 92.32%, lo que sugiere que la optimización del gradiente se acerca a la saturación. (2) La mayor resolución de Sentinel-2 mejora enormemente la capacidad de capturar detalles más finos, con la precisión de segmentación (OA: 92.45%) siendo un 5.82% más alta que la de Landsat-8 (OA: 86.63%). (3) El modelo U-Net tiene el mejor rendimiento en imágenes de Sentinel-2 (OA: 92.45%, F1: 90.45%), mejorando la precisión en un 0.13% en comparación con DeepLab v3, y proporciona una delimitación de límites más precisa. Sin embargo, DeepLab v3 demuestra una mayor adaptabilidad a imágenes de baja resolución. Este estudio presenta un enfoque de segmentación de dunas que integra datos de múltiples fuentes y optimización de modelos, ofreciendo un marco para el monitoreo dinámico y el mapeo a escala fina de la geomorfología del desierto.