Redes generativas profundas para corrección de errores geométricos, radiométricos y otras alteraciones causadas por factores atmosféricos presentes en imágenes satelitales multiespectrales

Actualmente una porción considerable de proyectos de investigación en el contexto de procesamiento de imágenes, se abordan con algoritmos de aprendizaje profundo. Algunos estudios realizados por científicos analistas de datos como Meiyin Wu [1], enuncian que al utilizar en particular las redes convolucionales y generativas, se han logrado resultados significativos en el tratamiento de imágenes, con identificación rápida y asertiva, detección de patrones y generación de nuevos contenidos. La presente investigación tiene como propósito implementar modelos de redes neuronales generativos en procesos de tratamiento de imágenes satelitales, que permitan mejorar u obtener un resultado similar al realizado a través de métodos convencionales al corregir errores radiométricos, geométricos y otras alteraciones causadas por la atmósfera en los pixeles de una imagen. La problemática fue analizada como un todo, donde a través de la experimentación y procedimientos de redes neuronales aplicados a imágenes satelitales, se abordaron algoritmos generativos que luego permitieron establecer comparaciones respecto a otros modelos tradicionales. Gracias a la adecuación e implementación de algoritmos basados en las técnicas de aprendizaje profundo, se mejoró significativamente la calidad de las imágenes satelitales captadas por sensores multiespectrales de baja resolución, así como, la corrección de píxeles distorsionados causados por errores radiométricos, geométricos, y otras alteraciones fijadas por la interferencia de la atmósfera. Finalmente, con esta investigación, se afirma la importancia de generar proyectos que permitan tratar, detectar y cuantificar elementos de la superficie terrestre, de forma automática y en tiempos más reducidos, motivo por el que, en el presente trabajo se muestra el resultado de la aplicación de técnicas de aprendizaje profundo como una alternativa confiable y eficaz, que brinda la posibilidad de procesamiento de imágenes satelitales, poniéndolas a disposición en proyectos de diferente índole, con las siguientes ventajas: aumento de la resolución espacial hasta cuatro veces más en comparación con su tamaño inicial, aplicación de filtros y mejoras con resultados de precisión superiores a los obtenidos tras aplicar métodos convencionales (92,64%), corrección de errores radiométricos como el bandeo con un índice de similitud estructural medio igual al 90%, atenuación de la presencia de factores atmosféricos como la nubosidad con un índice de similitud estructural en promedio de 0.78% y un índice BRISQUE de 17.21% en promedio igualmente. Adicionalmente se logra la generación de modelos de elevación digital con un error cuadrático medio (RMSE) de 124 metros en promedio sobre terrenos en los que no se cuenta con dimensiones o puntos de control tomados en sitio o sobre el terreno.

• Autores: Zárate Luna, Paola Andrea
• Tipo de recurso: Doctoral thesis
• Fecha de publicación: 2023
• Institución: Universidad Autónoma de Occidente
• Repositorio: RED: Repositorio Educativo Digital UAO
• Idioma: spa
• OAI Identifier: oai:red.uao.edu.co:10614/15483
• Acceso en línea: https://hdl.handle.net/10614/15483; https://red.uao.edu.co/
• Palabra clave: Doctorado en Ingeniería; Aprendizaje profundo; Satélite; Imágenes; Algoritmos; Redes neuronales; Píxel; Error; Radiométrico; Geométrico; Atmosférico; Deep learning; Satellite; Images; Algorithms; Neural networks; Pixel; Error; Radiometric; Geometric; Atmosphere
• Rights: closedAccess
• License: Derechos reservados - Universidad Autónoma de Occidente, 2023