Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos

Abstract

[EN] Páramo ecosystems are essential for water regulation and biodiversity conservation in mountainous areas. However, they face significant threats due to climate change and human activities such as agriculture, livestock farming, and mining. The absence of clear boundaries and continuous monitoring systems for their land cover hinders effective protection highlighting the need to employ advanced digital techniques that provide highly accurate, up-to-date information. Convolutional neural networks (CNNs) have emerged as promising tools for semantic segmentation of satellite images. This research aimed to evaluate the performance of two CNNs architectures U-Net++ and DeepLabV3+ for land cover classification in the Tota-Bijagual-Mamapacha (TBM) páramo complex in Colombia, using Landsat 8 imagery from 2017 to 2019 and land cover labels from 1:100.000, national coverage map produced by IDEAM in 2018. The results showed U-Net++ achieved a kappa of 0.60, while DeepLabV3+ obtained a kappa of 0.59. In páramo covers, U-Net++ achieved an F1 of 78.43% for Herbazal and 79.22% for Forests, while DeepLabV3+ achieved F1 of 75% and 74.27%, respectively, confirming the potential of CNNs for land cover classification in these ecosystems. Although both models presented similar processing times, class imbalance and reliance on consistent labels affected their performance in heterogeneous covers. This research establishes a methodological foundation for future studies and suggests addressing these limitations toimprove efficiency and thematic accuracy in the classification and monitoring in páramo ecosystems.

[ES] Los ecosistemas de páramo son esenciales para la regulación hídrica y la conservación de la biodiversidad en zonas montañosas. Sin embargo, enfrentan amenazas significativas debido al cambio climático y actividades humanas como agricultura, ganadería y minería. La ausencia de una delimitación clara y de sistemas de monitoreo continuo de sus coberturas dificultan su protección efectiva resaltando la necesidad de emplear técnicas digitales avanzadas que proporcionen información con alta exactitud y actualizada. Las redes neuronales convolucionales (CNNs, por sus siglas en inglés) se han posicionado como herramientas prometedoras para la segmentación semántica de imágenes satelitales. Esta investigación buscó evaluar el desempeño de dos modelos basados en arquitecturas de CNNs U-Net++ y DeepLabV3+ para clasificar las coberturas de la tierra en el complejo de páramos Tota-Bijagual-Mamapacha (TBM) en Colombia, utilizando imágenes Landsat 8 del periodo 2017 a 2019 y etiquetas del mapa nacional de coberturas 1:100?000 del IDEAM de 2018. Los resultados mostraron que U-Net++ alcanzó un kappa de 0,60, mientras que DeepLabV3+ obtuvo un kappa de 0,59. En las coberturas de páramo, U-Net++ logró un valor F1 del 78,43% para Herbazal y del 79,22% para Bosques, mientras que DeepLabV3+ alcanzó un valor F1 del 75% y 74,27%, respectivamente, confirmando el potencial de las CNNs para la clasificación de coberturas en estos ecosistemas. Aunque ambos modelos presentaron tiempos de procesamiento similares, el desbalance de clases y la dependencia de etiquetas consistentes afectaron su rendimiento en coberturas heterogéneas. Esta investigación establece una base metodológica para futuros estudios y sugiere abordar estas limitaciones para mejorar la eficiencia y la exactitud temática en la clasificación y monitoreo de ecosistemas de páramo.