Detección urbana y aprendizaje profundo:imágenes de RADAR SAR Sentinel 1 en la ciudad de Bogotá

Abstract

el propósito de este trabajo fue establecer una alternativa para la identificación y cuantificación de áreas con características urbanas, utilizando imágenes de RADAR SAR Sentinel 1, las cuales no son fuertemente afectadas por las condiciones climáticas y pueden mantener su frecuencia de adquisición sin importar la hora del día, y algoritmos de aprendizaje profundo como modelos de redes neuronales convolucionales, con el fin de poder clasificar y calcular la cantidad de área que posee características urbanas, tomando el caso del área metropolitana de Bogotá. Para tal fin, fue necesario identificar de las diferentes opciones de imágenes ofrecidas por Sentinel 1, cual formato y producto es apropiado para el contexto urbano. También, dado que la interpretación de imágenes de RADAR no es intuitiva, una cadena de procesamiento fue necesaria para resaltar las características urbanas, disminuir el ruido y maximizar la distinción con otros elementos presentes en las imágenes. Además, se probaron y compararon 3 modelos de aprendizaje profundo en la clasificación de áreas urbanizadas y no urbanizadas para finalmente usar el más destacado para clasificar el área metropolitana de Bogotá entre los años 2017 y 2023, lo cual dejó ver la cantidad y la ubicación del aumento del tejido urbano.