El documento describe cómo la abundancia de datos de satélite, hardware más poderoso y barato, y mejores algoritmos están permitiendo el desarrollo de aplicaciones de inteligencia artificial para el análisis de imágenes de satélite. Estas aplicaciones pueden mapear los recursos de la Tierra, detectar objetos, y clasificar áreas en clases como cuerpos de agua, campos agrícolas y bosques, lo que tiene aplicaciones en agricultura de precisión, monitoreo ambiental y más. Explica los conceptos básicos de cómo funcionan las redes
17. 17
Abundancia de
datos
Hardware más
poderoso y
barato
Mejores
algoritmos
Mejores
herramientas
de desarrollo
Una imagen completa de
la Tierra al día
Redes neuronales
convolucionales
26. 26
A. García-Pedrero, C. Gonzalo-Martín & M. Lillo-Saavedra A machine learning approach for
agricultural parcel delineation through agglomerative segmentation
https://doi.org/10.1080/01431161.2016.1278312
28. 28
Babenko, Boris, et al, 2017, Poverty Mapping Using Convolutional Neural Networks Trained on High and Medium Resolution Satellite
Images, With an Application in Mexico https://arxiv.org/abs/1711.06323
44. 44
0.00 0.10
1.0 0.30
0.00 0.05
0.00 0.15
Error en la
estimación
Suma de los errores 0.60
Minimizando la función “error” o “costo” que se produce al presentar todas las
instancias de datos durante el entrenamiento
Valor
esperado
47. 47
Verificando que el error en la estimación esté dentro de límites aceptables al utilizar
datos de prueba distintos a los de entrenamiento
Parámetros Ws, bs
Probabilidad de
pertenecer a la clase
Valor
esperado
Error en la
estimación
0.95
0.02
0.01
0.03
1.0 0.05
0.0 0.02
0.0 0.02
0.0 0.03
Suma de los errores 0.12