Análisis de Imágenes de Satélite mediante Machine Learning

El Machine Learning o aprendizaje automático posibilita la identificación de patrones en los datos basándose en algoritmos que clasifican cada factor según su grado de influencia aprendiendo y mejorando el proceso continuamente

La Inteligencia Artificial (AI) se centra en la investigación de un amplio abanico de conceptos, como el razonamiento, la representación del conocimiento, la planificación, el aprendizaje, o el procesamiento del lenguaje, entre otros; todos ellos con el objetivo de imitar las funciones que podemos desarrollar los humanos. La Inteligencia Artificial es un campo multidisciplinar que se abastece de los conocimientos aportados por la informática, las matemáticas, la ingeniería, la psicología, o incluso la filosofía y la lingüística.

El aprendizaje automático o aprendizaje máquina (Machine Learning) es una rama de la Inteligencia Artificial (AI) y, como tal, su finalidad está orientada al desarrollo de mecanismos o algoritmos que imiten las funciones cognitivas humanas. Por su parte, el Machine Learning (ML) ha ido conquistando una gran relevancia e independencia en las últimas décadas gracias a que, aun compartiendo el uso de algoritmos para conseguir que los ordenadores aprendan a partir de inputs de datos, consta de un característico sentido educativo que consigue dotar a los dispositivos de autonomía propia.

El Machine Learning destaca en la detección y clasificación de patrones dentro del reconocimiento de imágenes, posibilitando innumerables usos destinados a la inspección y mantenimiento de activos e instalaciones, al descubrimiento y análisis de patrones de datos generados por cadenas de suministro para optimización de rutas y gestión de flotas y almacenes, automatización aplicada a inspección de calidad en centros logísticos, detectando y retirando envíos de productos con daños y desgaste, o apoyo en la toma de decisiones para localización, clasificación y gestión de centros logísticos.

El descubrimiento de nuevos patrones en los datos tiene el potencial de revolucionar cualquier negocio

Los algoritmos utilizados por el Machine Learning (ML) trabajan de continuo en el reconocimiento de nuevos patrones en los datos, es la capacidad con la que dotamos a las computadoras para efectuar tareas que requieren, en principio, un cierto grado de inteligencia humana.

Los algoritmos consultan los datos utilizando un modelo basado en restricciones y mediante iteraciones para encontrar el conjunto básico de factores con la mayor precisión de predicción: los factores clave que modulan los niveles de stock, los indicadores de calidad en un servicio, la planificación de la producción, previsión de la demanda, gestión y administración del transporte de mercancías, redes de distribución y optimización de rutas y sus grupajes, análisis de superficies de cultivo o derivados del cambio climático, clasificación de coberturas vegetales, el modelado espacial y reconocimiento de fotografía aérea.

Los progresos de la inteligencia artificial son constantes, y particularmente en el campo del Machine Learning, mostrando extraordinarios avances que ofrecen aplicaciones hasta hace poco tiempo inalcanzables.

Machine Learning aplicada al análisis de Imágenes satelitales

El aprendizaje automático es, de manera sencilla, un proceso inteligente con capacidad de “aprender” y de predecir a partir de un set de datos.

Aplicado a imágenes obtenidas por satélites, además de su uso para analizar cómo evolucionan temporalmente las superficies, también es posible su implementación para localización e identificación de pequeños objetos o características en series de imágenes que cubren grandes áreas territoriales mucho más rápido y con más precisión que la visión del experto más experimentado.

Las dos principales características que determinan la percepción de las imágenes satelitales son la resolución y la frecuencia de las imágenes utilizadas. La disponibilidad de imágenes de satélites es mayor cada día y las métricas ofertadas mejoran en consecuencia, abriendo el abanico de posibilidades para aplicaciones que aporten soluciones a actividades y empresas de todo tipo.

Por último, una herramienta muy interesante en los pasos finales del análisis espacial mediante Machine Learning son los Sistemas de Información Geográfica (GIS), ya que su algoritmia puede ser aplicada a los mecanismos de análisis de geodatos para ofrecer información complementaria a los resultados obtenidos. Por ejemplo, con la implantación de un software de gestión GIS, se pueden visualizar imágenes geolocalizadas, incluyendo la clasificación dada por el algoritmo de Machine Learning.

Clasificación de imágenes de Satélite con Deep Learning​

Una rama que ha surgido recientemente del Machine Learning es el Deep Learning, el cual se apoya en redes neurales artificiales generadas por ordenadores y basadas en el funcionamiento de las redes de neuronas biológicas, con el fin de imitar el funcionamiento del cerebro humano a la hora solucionar problemas mediante tres lógicas principalmente:

• Clasificación: algoritmos vectoriales que generan capas de clasificación de las diferentes superficies.
• Agrupamiento: procesamiento de datos puntuales en grandes cantidades, detectar las acumulaciones de cierta entidad para analizarlos por separado de la muestra dispersa.
• Algoritmos de predicción: de aplicación en múltiples áreas de análisis, aportan conclusiones interpretables por personal técnico que defina y alimente los componentes que influencien el resultado a predecir.

En una red neural profunda, a imagen de una humana, hay neuronas que responden a estímulos y están conectadas entre sí mediante capas.

En la primera capa, la capa de entrada, se reciben como fuente de entrada los datos que nutren la red neuronal y la última capa de salida es el resultado visible de la red. Las capas intermedias, de las que desconocemos tanto los valores de entrada como los de salida, se conocen como capas ocultas: El concepto de Deep Learning tiene origen en el hecho de usar un gran número de capas de computación ocultas en las redes neuronales.

La evolución del análisis de datos desde el Machine Learning hacia el Deep Learning ha sido posible gracias a la expansión de los siguientes desarrollos principalmente:

• Big Data: con la democratización de Internet, la proliferación del Internet de las cosas (IoT) como la implementación de sensores, y el aumento exponencial de satélites tomando imágenes a diario de todo el mundo actualmente disponemos de una ingente cantidad de datos.
• Capacidad computacional: debido al desarrollo de la nube y a las unidades de procesamiento gráfico (GPUs), que permiten el procesamiento en paralelo de miles de tareas, rápida y económicamente, los recursos computacionales son enormes.
• Mejoras en los algoritmos: como respuesta a algunas de las necesidades más acuciantes en cuanto al entrenamiento de las redes neurales profundas los investigadores han logrado aportar mejoras en los algoritmos y arquitecturas de red. Como consecuencia, los resultados que obtenidos mejoran rápidamente en comparación a algoritmos más sencillos.

Las redes neuronales convolucionales permiten clasificar fácilmente imágenes.

Un tipo de redes neuronales, las redes neuronales convolucionales CNN (Convolutional Neural Networks), permiten el análisis de imágenes de una forma muy eficiente, evaluando grupos de píxeles y encontrando patrones, que serán asociados a la etiqueta correspondiente. Una vez el algoritmo ha sido entrenado con la cantidad suficiente de imágenes, el modelo de Deep Learning estará listo para enfrentarse a nuevas imágenes que no estén clasificadas previamente, lo cual nos ofrece una herramienta muy potente a la hora de obtener información de nuestros datos de una forma rápida y sencilla.

Aplicaciones de Deep Learning en Análisis Geográfico

Una disciplina de la Inteligencia Artificial en la que Deep Learning ha destacado es en el campo de la visión computacional, visión artificial o la capacidad de las computadoras de “ver”.

La gran rapidez con la que se generan las imágenes de dron, aéreas o de satélite, imposibilita su clasificación y análisis para obtener resultados mediante métodos analógicos.

En LIS-Solutions desarrollamos todos los procesos necesarios para un análisis exhaustivo de los datos e ideamos propuestas a medida mediante una combinación óptima de sus orígenes de datos y tecnologías para el tratamiento y visualización de la información geográfica, detección y clasificación de objetos, características y eventos.

Como aplicaciones orientadas al sector de la Inmologística, el análisis de imágenes de satélite en combinación con técnicas de Deep Learning y analítica avanzada para integran otras fuentes complementarias de datos (cartografía digital, registro de la propiedad, catastro, etc) posibilitan:

• Identificación automática de parcelas disponibles.
• Detectar cambios en una propiedad o modificaciones en una parcela, perímetro o accesos.
• Identificar las características de una propiedad mediante la identificación de activos relevantes como edificios, piscinas, aparcamiento, vallas, cobertizos, tamaños de superficies, formas, etc.
• Evaluar siniestros producidos tras desastres naturales o provocados por el hombre.

Caso de uso en el sector de la Inmologística: Identificación de aérea de almacenes​

Definida la necesidad de una operadora logística internacional de localizar las mejores ubicaciones e instalaciones con el finde adquirir almacenes cercanos a áreas de distribución masiva, LIS-Solutions desarrolló una solución de búsqueda a través de imágenes satelitales relacionadas con los datos del catastro para la identificación de parcelas y edificios clasificadas por potencialidad de compra.

Mediante algoritmos de medición de la cuadraticidad de las superficies de las parcelas y los almacenes y el análisis de imágenes de satélite e información catastral se categorizaron en función del tamaño, geometría, simetría, localización y precio por m2.