Clasificación de uso de la tierra y cobertura del suelo basada en aprendizaje profundo para estudios de detección de cambios

Resumen La clasificación precisa de uso de la tierra y cobertura del suelo (LULC) es crucial para el monitoreo de cambios ambientales, la planificación urbana y la gestión de recursos naturales. Los métodos tradicionales y los algoritmos de aprendizaje automático convencionales pueden ser laboriosos y menos efectivos para manejar grandes conjuntos de datos. Por lo tanto, este artículo presenta un método de clasificación basado en aprendizaje profundo, para clasificar imágenes de satélite del Sensor de Autoscaneo de Imagen Lineal-III (LISS-III) en varias categorías de cobertura del suelo con mayor precisión y eficiencia. Desarrollamos un modelo de aprendizaje profundo basado en Redes Neuronales Convolucionales (CNN) y lo entrenamos con un conjunto diverso de imágenes de LISS-III, cubriendo la región geográfica del taluk de Nanjangud, distrito de Mysuru, India. El modelo desarrollado se aplica a imágenes de LISS-III de los años 2010 y 2020 respectivamente para la clasificación de LULC. Además, los mapas clasificados se utilizan para estudios de detección de cambios para identificar y cuantificar cambios en la cobertura del suelo con el tiempo. Los resultados indican que el enfoque de CNN logró una precisión general del 94.08% para los datos de 2010 y del 95.30% para los datos de 2020, demostrando la robustez y precisión del modelo en la clasificación de LULC. Los resultados destacan mejoras significativas en la detección de cambios a pequeña y gran escala, proporcionando así información valiosa para el monitoreo ambiental y la toma de decisiones.