tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Detecció de la desforestació i els canvis de la coberta vegetal mitjançant l'anàlisi d'imatges de satèl·lit |
| Títol variant: |
Detección de la deforestación y los cambios de la cubierta vegetal mediante el análisis de imágenes de satélite |
| Data: |
2026 |
| Resum: |
Aquest projecte desenvolupa un sistema d'aprenentatge profund que detecta la desforestació anual a l'Amazònia a partir d'imatges òptiques de satèl·lit i en segueix l'evolució al llarg de diversos anys. El model principal és una Attention Res-UNet bi-temporal: un codificador ResNet34 preentrenat amb ImageNet i un descodificador U-Net amb portes d'atenció que rep dos anys consecutius d'imatge (vuit canals, any Y-1 i any Y) i prediu, píxel a píxel, on hi ha hagut pèrdua de bosc nova. S'entrena amb composicions anuals sense núvols construïdes a partir del producte HLS de la NASA, emmascarant els núvols amb la banda Fmask i prenent la mediana anual, amb la banda de pèrdua de Hansen com a etiqueta. La decisió central del projecte va ser replantejar la tasca com a detecció de canvis i no com a segmentació d'una sola imatge, perquè una tala feta enguany i una de feta fa anys es veuen igual en una única imatge. L'informe és honest sobre dos problemes detectats en el treball inicial: un plantejament mal definit i una fuga de dades espacial, que havien inflat els resultats. Després de corregir l'avaluació amb una partició entrenament/validació/test separada geogràficament, el model bi-temporal arriba a un F1 de 0,55 sobre un conjunt de test honest i sense fuga, davant del 0,43 del model d'una sola imatge, amb un gran guany en precisió (0,54 a 0,71). Com que la referència de Hansen és també un model i no una veritat de camp, l'error restant s'interpreta contra una referència independent (MapBiomas): el model concorda amb cada referència com a mínim tant com les dues referències concorden entre si, de manera que bona part del desacord és soroll de l'etiqueta i no error del model. Finalment, el model s'aplica a un estudi transparent de l'evolució 2021-2025, incloent-hi un any de pronòstic per al qual encara no hi ha cap referència oficial. Tota la canalització és reproduïble amb una sola ordre. |
| Resum: |
This project develops a deep-learning system that detects yearly deforestation in the Amazon from optical satellite imagery and tracks how the cleared area evolves over several years. The core model is a bi-temporal Attention Res-UNet: an ImageNet-pretrained ResNet34 encoder with an attention-gated U-Net decoder that receives two consecutive years of imagery (eight channels, year Y-1 and year Y) and predicts, per pixel, where new forest loss has occurred. It is trained on cloud-free annual composites built from NASA's Harmonized Landsat Sentinel-2 (HLS) product, masking clouds with the Fmask band and taking the annual median, with the Hansen Global Forest Change loss-year band as labels. The central decision was to reframe the task as change detection rather than single-image segmentation, because a clearing made this year and one made years ago look identical in a single image. The report is openly honest about two problems found in the earlier single-image work: an ill-posed formulation and spatial data leakage, which had inflated the apparent results. After fixing the evaluation with a geographically blocked train/validation/test split, the bi-temporal model reaches an F1 of 0. 55 on an honest, leakage-free test set, up from 0. 43 for the single-image model, with a large precision gain (0. 54 to 0. 71). Because the Hansen reference is itself a model and not ground truth, the residual error is interpreted against an independent reference (MapBiomas): the model agrees with each reference at least as much as the two references agree with one another, so much of the remaining disagreement is label noise rather than model error. Finally, the model is applied to a transparent 2021 to 2025 evolution study, including a forecast year for which no official reference exists yet. The full pipeline is reproducible from a single command. |
| Resum: |
Este proyecto desarrolla un sistema de aprendizaje profundo que detecta la deforestación anual en la Amazonia a partir de imágenes ópticas de satélite y sigue su evolución a lo largo de varios años. El modelo principal es una Attention Res-UNet bi-temporal: un codificador ResNet34 preentrenado con ImageNet y un decodificador U-Net con puertas de atención que recibe dos años consecutivos de imagen (ocho canales, año Y-1 y año Y) y predice, píxel a píxel, dónde ha habido pérdida de bosque nueva. Se entrena con composiciones anuales sin nubes construidas a partir del producto HLS de la NASA, enmascarando las nubes con la banda Fmask y tomando la mediana anual, con la banda de pérdida de Hansen como etiqueta. La decisión central del proyecto fue replantear la tarea como detección de cambios y no como segmentación de una sola imagen, porque una tala hecha este año y otra hecha hace años se ven iguales en una única imagen. El informe es honesto sobre dos problemas detectados en el trabajo inicial: un planteamiento mal definido y una fuga de datos espacial, que habían inflado los resultados. Tras corregir la evaluación con una partición entrenamiento/validación/test separada geográficamente, el modelo bi-temporal alcanza un F1 de 0,55 sobre un conjunto de test honesto y sin fuga, frente al 0,43 del modelo de una sola imagen, con una gran ganancia en precisión (0,54 a 0,71). Como la referencia de Hansen es también un modelo y no una verdad de campo, el error restante se interpreta frente a una referencia independiente (MapBiomas): el modelo concuerda con cada referencia al menos tanto como las dos referencias concuerdan entre sí, de modo que buena parte del desacuerdo es ruido de la etiqueta y no error del modelo. Finalmente, el modelo se aplica a un estudio transparente de la evolución 2021-2025, incluyendo un año de pronóstico para el que aún no existe ninguna referencia oficial. Toda la canalización es reproducible con una sola orden. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Llengua: |
Anglès |
| Titulació: |
Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau |
| Àrea temàtica: |
Menció Computació |
| Matèria: |
Desforestació ;
Detecció de canvis ;
Aprenentatge profund ;
Segmentació semàntica ;
Teledetecció ;
Selva amazònica ;
U-Net amb atenció ;
Model bi-temporal ;
Deforestation ;
Change detection ;
Deep learning ;
Semantic segmentation ;
Remote sensing ;
Amazon rainforest ;
attention U-Net ;
Bi-temporal model ;
Deforestación ;
Detección de cambios ;
Aprendizaje profundo ;
Segmentación semántica ;
Teledetección ;
Selva amazónica ;
U-Net con atención ;
Modelo bi-temporal |
visitant ::
identificació
