Detección de cambios de obras de construcción mediante imágenes satelitales Sentinel-2 y modelos de aprendizaje profundo

Abstract

El acceso libre a las imágenes satelitales de Sentinel-2 ha impulsado en los últimos años numerosos estudios que utilizan estas imágenes para desarrollar modelos de clasificación, principalmente en las áreas de agricultura y análisis de suelos. Sin embargo, el monitoreo de cambios en obras de construcción sigue siendo un área de estudio poco explorada. En este contexto, la presente tesis propone una metodología automatizada para detectar transiciones en el estado de las obras, utilizando imágenes de Sentinel-2 y técnicas avanzadas de aprendizaje profundo. Para ello, se diseñaron y compararon tres arquitecturas principales: LSTM-CRF, CNN-LSTM-CRF y PSE-LSTM-CRF, todas orientadas a capturar patrones espacio-temporales complejos presentes en los datos satelitales.

La metodología incluye la recopilación y procesamiento de datos de Sentinel-2, junto con la generación de etiquetas basadas en información sobre los estados de las obras de construcción. Las métricas de evaluación utilizadas incluyen accuracy y error absoluto medio (MAE), calculadas tanto a nivel de token como de secuencia, con el objetivo de realizar un análisis más completo del desempeño de las arquitecturas.

En los experimentos realizados, se encontró que la arquitectura PSE-LSTM-CRF obtiene los mejores resultados en la detección de cambios de estado, con una precisión del 82\% y un MAE de 13.39. El modelo LSTM-CRF, aunque menos complejo, logra resultados competitivos con una precisión del 81 \% y un MAE de 14.54. Por su parte, el modelo CNN-LSTM-CRF presenta un desempeño aceptable, alcanzando una precisión del 76 \% y un MAE de 16.58. Estos resultados destacan la importancia de un preprocesamiento adecuado de las imágenes antes de ingresarlas a las redes, para optimizar las métricas obtenidas.

Aunque los modelos propuestos demuestran un desempeño prometedor, persisten desafíos relacionados con la calidad y resolución temporal de las etiquetas, así como con la cantidad limitada de datos disponibles. Entre las propuestas de mejora se incluyen la ampliación de la base de datos, la incorporación de información proveniente de Sentinel-1 para complementar el análisis y la exploración de nuevos enfoques para procesar las imágenes, con el fin de potenciar el rendimiento de los modelos.