Primera capa a nivel nacional de aerogeneradores creada con técnicas de deep learning a partir de ortofotografías aéreas con una resolución espacial de 0,5 m/píxel.
Utilizando Deep Learning (redes convolucionales) entrenadas para identificar, extraer y clasificar turbinas eólicas se ha generado una capa temática de información para el territorio peninsular español.
20.01.2022
La inteligencia artificial se está empezando a utilizar en todos los campos de la actividad científica y tecnológica. En este artículo presentamos la experiencia y resultados de utilizar el aprendizaje profundo, que utilizan redes neuronales convolucionales con muchas capas, para identificar sobre teselas de ortoimágenes aéreas de 256x256 píxeles si en ellas hay aerogeneradores, también para clasificarlos por su capacidad de producción estrechamente relacionada con su tamaño y lo más importante, para segmentar semánticamente las teselas e identificar en planta el aerogenerador y poderlo georreferenciar.
Figura 1. Metodología de uso de las redes entrenadas
Partimos de una capa de información generada y mantenida por Antonio Marín, que hemos revisado en parte para asegurarnos de que las turbinas que usaremos en el dataset de entrenamiento estaban bien georreferenciadas. También hemos usado información alfanumérica de los parques eólicos para conocer y clasificar las turbinas de entrenamiento por su capacidad de producción. Con estos ingredientes se han generado tres dataset de entrenamiento para las tres labores: clasificar binariamente la existencia de turbinas en la tesela, segmentarla semánticamente y clasificarlas por su producción. Se han entrenado un conjunto de redes neuronales y se han validado comparando los resultados mediante los indicadores F1-Score, IoU y las matrices de confusión. De todos los modelos entrenados nos hemos quedado con los mejores para cada tarea y se ha automatizado el proceso de uso de las tres redes secuenciadas para aplicarlo a todo el territorio peninsular. Se han analizado los resultados y validado la metodología.
A nivel exploratorio se ha realizado una primera experimentación para ver si la misma metodología se puede aplicar a imágenes de satélite con menor resolución (2m/pixel) y se ha observado que con esa resolución los resultados no son demasiado buenos, se requiere mejorar la resolución de dichas imágenes antes de utilizar esta metodología.
Figura 2. Aerogeneradores bien identificados
Figura 3. Falsos positivos identificados por las redes
Figura 4. Falsos negativos, aerogeneradores no identificados por las redes.
Palabras clave:
Deep Learning, segmentación semántica, aerogeneradores, georreferenciación, ortoimágenes
Enlaces de interés:
- Web de A. Marín: https://amezet.carto.com/builder/fd430f8c-41cb-11e7-876d-0ecd1babdde5/embed
- Artículo en IEEE Xplore: https://ieeexplore.ieee.org/document/9507327
- Artículo en Remote Sensing: https://www.mdpi.com/2072-4292/12/22/3743