NUEVAS TECNOLOGÍAS DE APRENDIZAJE PROFUNDO PARA EL PROCESAMIENTO DE DATOS GEOESPACIALES

Abstract

El uso de la Inteligencia Artificial ha impactado de manera innegable en la forma en que se procesan los datos en la actualidad. Las redes neuronales, en constante evolución, están logrando resultados cada vez mejores en diversas tareas. En este contexto, cabe mencionar actividades como la clasificación de imágenes, la detección de objetos y la segmentación semántica de imágenes, las cuales tienen un valor fundamental en el procesamiento de información geoespacial. Sin embargo, las tecnologías de visión computacional ampliamente conocidas, como PyTorch y TensorFlow, se enfrentan a desafíos al abordar la capa adicional de complejidad presentada por los datos espaciales. Estos datos se caracterizan, entre otros aspectos, por el gran volumen de datos por archivo, la presencia de diversas bandas espectrales y diferentes sistemas de referencia espacial. Por lo tanto, han surgido varias iniciativas encaminadas a adaptar las tecnologías de aprendizaje profundo para manejar datos espaciales. En este contexto, este trabajo tiene como objetivo presentar y analizar dos bibliotecas innovadoras: TorchGeo y RasterVision. Ambas fueron diseñadas con el propósito de manejar las características especiales de los datos geoespaciales. A lo largo del desarrollo de este estudio, se han implementado códigos para segmentar imágenes de satélites utilizando ambas bibliotecas. El análisis resultante corrobora que ambas pueden ser utilizadas de manera eficiente en el manejo de datos geoespaciales. No obstante, es crucial señalar que cada una posee características distintas, las cuales son comparadas para permitir a los profesionales en el campo de la geoinformación tomar decisiones informadas sobre cuál de las dos utilizar en sus tareas de procesamiento de datos geoespaciales.