Transfer learning in convolutional neural networks for fire scene classification in the Pantanal Biome (Brazil)

[ES] Durante 2024, los incendios en el Pantanal, Brasil, representaron una amenaza significativa para el humedal más grande del mundo. Este estudio presenta un enfoque de clasificación de escenas utilizando imágenes Sentinel-2 de áreas afectadas y no afectadas por el fuego, basado en aprendizaje profundo. En primer lugar, se entrenó experimentalmente un modelo con el conjunto de datos EuroSAT para clasificar pastizales y vegetación herbácea. Posteriormente, se aplicó la técnica de transferencia de aprendizaje a las imágenes del Pantanal afectadas por incendios. Finalmente, la arquitectura VGG-19 fue entrenada desde cero, sin el uso de parámetros preentrenados. Considerando estos tres experimentos, el entrenamiento con el conjunto EuroSAT alcanzó una pérdida de 0,202 tras 50 épocas. El modelo con transferencia de aprendizaje, utilizando los pesos aprendidos en el entrenamiento experimental, obtuvo una pérdida de validación de 0,15 y una precisión del 95 %, mientras que el entrenamiento desde cero alcanzó una pérdida de validación de 0,07 y una precisión del 97 %. Los resultados indican un desempeño similar entre las dos estrategias, lo que evidencia que el entrenamiento intradominio puede considerarse un método eficaz para el entrenamiento CNNS aplicadas a imágenes satelitales, sin comprometer la precisión en la clasificación de escenas, incluso en presencia de diferencias significativas en las informaciones contextuales de las imágenes. Este enfoque se presenta como una alternativa metodológica para el monitoreo ambiental en regiones tropicales complejas, caracterizadas por una alta heterogeneidad espacial y espectral.

[EN] During 2024, wildfires in the Pantanal, Brazil, posed a significant threat to the world's largest wetland. This study presents a scene classification approach using Sentinel-2 imagery from fire-affected and non-affected areas, based on deep learning techniques. First, a model was experimentally trained using the EuroSAT dataset to classify grasslands and herbaceous vegetation. Subsequently, a transfer learning technique was applied to images of the fire-affected Pantanal. Finally, the VGG-19 architecture was trained from scratch, without using pretrained parameters. Considering these three experiments, training with the EuroSAT dataset achieved a loss of 0.202 after 50 epochs. The model with transfer learning, using the weights learned during the experimental training, obtained a validation loss of 0.15 and an accuracy of 95%, whereas training from scratch reached a validation loss of 0.07 and an accuracy of 97%. The results indicate similar performance between the two strategies, demonstrating that in-domain training can be considered an effective method for training CNNs applied to satellite imagery, without compromising classification accuracy, even in the presence of significant differences in the contextual information of the images. This approach is presented as a methodological alternative for environmental monitoring in complex tropical regions, characterized by high spatial and spectral heterogeneity.