Análisis de imagen multiespectral y segmentación semántica para la monitorización medioambiental

Abstract

El análisis de imagen multiespectral es una técnica que implica capturar imágenes en diferentes longitudes de onda, incluyendo aquellas que están más allá de lo visible para el ojo humano. Esto proporciona una vista más completa del entorno, revelando patrones y cambios que pueden no ser evidentes a simple vista. La segmentación semántica es un método que permite dividir una imagen en segmentos o regiones distintas según su contenido, lo cual puede lograrse utilizando algoritmos de aprendizaje profundo entrenados con conjuntos de datos grandes. Esta técnica proporciona una comprensión detallada del entorno, con cada segmento ofreciendo información específica sobre los objetos y características dentro de él, como diferentes tipos de vegetación o cuerpos de agua. Una de las ventajas más significativas de esta técnica es su capacidad para detectar el entorno. Al comparar imágenes tomadas en diferentes momentos, es posible identificar cambios en la cobertura de tierra, la salud de la vegetación, la integridad de los objetos y la contaminación, entre otras cosas. Al identificar tendencias y problemas potenciales como la deforestación o la contaminación, esta información puede ayudar en la toma de decisiones relacionadas con la gestión ambiental, incluyendo la identificación de áreas que requieren esfuerzos de protección o conservación. Este enfoque también ayuda a apoyar el desarrollo sostenible y permite mejores procesos de toma de decisiones. La escalabilidad del análisis de imagen multiespectral y la segmentación semántica es otra ventaja. Por ejemplo, con la disponibilidad de imágenes de satélite multiespectrales de alta resolución, ahora es posible monitorizar grandes áreas del entorno simultáneamente, lo que facilita la identificación de tendencias y patrones que pueden no ser evidentes a escala local. Esta Tesis Doctoral contribuye al avance en el campo de la monitorización medioambiental mediante el análisis de imagen multiespectral y la segmentación semántica de múltiples formas: Se lleva a cabo una revisión exhaustiva de los trabajos más relevantes y recientes en el área del análisis de imagen multiespectral y la segmentación semántica con el fin de conocer el estado del arte y las tendencias actuales en el campo de la monitorización medioambiental. Se presenta y valida un método para identificar distintos tipos de cultivos a partir de imágenes aéreas. También se producen y publican dos conjuntos de datos inéditos para esta tarea. Uno con imágenes obtenidas por aviones (UOPNOA) y otro con imágenes de satélite (UOS2). Se desarrolla y verifica un método para localizar campos que han sido abonados recientemente. Asimismo, se genera y comparte un nuevo conjunto de datos. Se diseña y comprueba un método para encontrar defectos subsuperficiales en láminas de polímero con fibra de carbono. Igualmente, se crea y publica un nuevo conjunto de datos. Se elabora y confirma un método para detectar, ubicar y caracterizar emisiones fugitivas en plantas industriales usando cámaras de videovigilancia. En resumen, esta Tesis Doctoral desarrolla y valida un enfoque innovador de análisis de imagen multiespectral y segmentación semántica para diversas aplicaciones reales de monitorización medioambiental. Esta técnica proporciona información precisa y detallada sobre el entorno, facilitando una mejor toma de decisiones y garantizando la eficiencia y la sostenibilidad de los recursos naturales. Además, se crean y publican nuevos conjuntos de datos públicos para el entrenamiento y evaluación de algoritmos, lo que impulsa el avance científico y tecnológico en el campo del análisis de imagen multiespectral y la segmentación semántica en estos sectores.