Un equipo de investigación dirigido por la Universidad de Aberdeen ha desarrollado un modelo de IA pionero para mejorar la precisión y reducir el tiempo de cálculo en el mapeo de la cobertura terrestre, particularmente de la vegetación.
por la Universidad de Aberdeen
La comprensión detallada de la cobertura terrestre, las características topográficas y cómo se utiliza la tierra es fundamental para abordar los impactos del cambio climático , la seguridad alimentaria y la sostenibilidad.
Los métodos tradicionales de mapeo de la vegetación analizan imágenes satelitales píxel por píxel, lo que puede ser ineficiente y propenso a errores, especialmente en terrenos diversos o complejos.
El nuevo modelo desarrollado por el equipo de investigación, SAGRNet (Red Residual Convolucional de Gráficos Basada en Muestreo y Atención), utiliza técnicas avanzadas de aprendizaje profundo para clasificar los tipos de vegetación con mayor velocidad y precisión. Puede analizar objetos completos del paisaje, como campos y bosques, lo que proporciona una mejor comprensión de la forma, el contexto y las relaciones dentro del paisaje, lo que resulta en un mapeo más fiable y escalable.
El estudio se publica en el ISPRS Journal of Photogrammetry and Remote Sensing .
SAGRNet se desarrolló utilizando imágenes satelitales que cubren el diverso paisaje del noreste de Escocia para facilitar suficientemente la validación de resultados.
El estudio se centra en áreas que comprenden bosques, tierras de cultivo y pastizales situados junto a otras clases de cobertura del suelo, como áreas edificadas y agua, ubicadas en Aberdeen, Dundee y las Tierras Altas y sus alrededores.
Para evaluar más a fondo la capacidad de generalización del modelo SAGRNet propuesto, el equipo realizó experimentos adicionales en cinco áreas urbanas periféricas distribuidas globalmente: Guangzhou (China), Durban (Sudáfrica), Sídney (Australia), Nueva York (Estados Unidos) y Porto Alegre (Brasil).
Estas áreas fueron cuidadosamente seleccionadas para representar diversos antecedentes ecológicos, estructuras de vegetación, intensidades de urbanización y complejidades de cobertura terrestre, proporcionando una base sólida para evaluar la transferibilidad del modelo.
SAGRNet, que se ha puesto a disposición del público de forma abierta, podría ayudar a los responsables de la toma de decisiones a visualizar y comprender rápidamente el impacto de grandes acontecimientos como inundaciones, incendios forestales , sequías o fuertes lluvias en grandes extensiones de tierra, así como en los cultivos que producen.
La Dra. Lydia Sam, directora del proyecto y profesora de Geociencias de la Universidad de Aberdeen, afirmó: «La información dimensional y topográfica precisa sobre las tierras cultivables es fundamental para seguir desarrollando estrategias de gestión sostenible de la tierra. Contamos con numerosos satélites de observación de la Tierra en órbita que proporcionan imágenes de nuestro planeta con altísimas resoluciones».
«Modelos como SAGRNet proporcionan un marco integral de mapeo y caracterización de la vegetación, permitiendo a los usuarios descubrir el verdadero potencial de sus datos de imágenes.
«Nuestro sistema de algoritmos de aprendizaje profundo puede reconocer de forma inmediata y precisa los diferentes tipos de cobertura terrestre, vegetación o cultivos en un área.
«Este método aborda las ineficiencias de los sistemas actuales al mejorar la precisión y reducir el tiempo de cálculo , lo cual es fundamental para responder a desafíos globales como el cambio climático, la deforestación y la escasez de alimentos».
El Dr. Anshuman Bhardwaj, profesor titular de Geociencias de la Universidad y codirector del proyecto, añadió: «Nuestro modelo es bastante transferible e incluso puede proporcionar respuestas rápidas y precisas a preguntas sobre cómo ha cambiado el paisaje».
«Esto es vital para comprender mejor el impacto del cambio climático, desde las erosiones costeras y los deslizamientos de tierra hasta los cambios en la distribución de plantas o cultivos.
«También se puede utilizar para monitorear el crecimiento de los cultivos y facilitar predicciones de cosecha más precisas o para observar cómo han cambiado con el tiempo los cultivos cultivados en un área particular y tomar decisiones mejor informadas sobre la sostenibilidad del uso de la tierra.
«Nuestro estudio sienta una base sólida para aplicaciones prácticas en el monitoreo de tierras, la agricultura y la gestión ambiental».
Baoling Gui, estudiante de doctorado y asistente de investigación del proyecto, agregó: «SAGRNet es adecuado para su integración en aplicaciones a gran escala, como estudios de recursos terrestres, plataformas de monitoreo ecológico, programas nacionales de mapeo de la cobertura terrestre y marcos de análisis del cambio ambiental».
Más información: Baoling Gui et al., SAGRNet: Una nueva red neuronal convolucional de grafos basada en objetos para la clasificación de la cobertura vegetal diversa en imágenes de teledetección, ISPRS Journal of Photogrammetry and Remote Sensing (2025). DOI: 10.1016/j.isprsjprs.2025.06.004
