Prepararse para el aprendizaje profundo
Para entrenar un modelo para clasificar automáticamente las imágenes de satélite es necesario disponer de las bibliotecas de aprendizaje profundo adecuadas en su equipo. En primer lugar, tendrá que verificar que su sistema tenga la configuración y las bibliotecas correctas.A continuación, descargará imágenes Landsat 8 y creará etiquetas de entrenamiento que indiquen dónde están presentes los manglares en la imagen. Por último, exportará estas etiquetas para entrenar un modelo de aprendizaje profundo de clasificación de píxeles.
Configurar y descargar los datos del tutorial
Compruebe que su equipo está correctamente configurado para realizar aprendizaje profundo y, a continuación, descargue los datos necesarios para este tutorial. Incluye imágenes de Landsat 8 y ubicaciones de manglares del Global Mangrove Watch de las Naciones Unidas.
- Antes de poder utilizar las herramientas de aprendizaje profundo, asegúrese de que su equipo esté listo.
Nota:
Para utilizar las herramientas de aprendizaje profundo en ArcGIS Pro es necesario tener instaladas en el equipo las bibliotecas de aprendizaje profundo correctas. Si no tiene instalados estos archivos, asegúrese de que ArcGIS Pro está cerrado y siga los pasos descritos en las instrucciones Prepararse para el aprendizaje profundo en ArcGIS Pro. En estas instrucciones, también aprenderá cómo comprobar si el hardware y el software de su ordenador son capaces de ejecutar flujos de trabajo de aprendizaje profundo y otros consejos útiles. Una vez hecho, puede continuar con este tutorial.
- Descargue el archivo Classify_Mangroves_Tutorial_Data.zip para este tutorial en una ubicación adecuada de su equipo y extraiga su contenido.
- En el Explorador de archivos, abra Classify_Mangroves_Tutorial_Data. Abra Clasificar manglares.
- Haga doble clic en el archivo de proyecto Clasificar manglares ArcGIS Pro.
ArcGIS Pro se abre y muestra un mapa de la región de Bombay, India.
- En la cinta, haga clic en la pestaña Vista. En el grupo Windows, haga clic en el botón Panel Catálogo.
Aparece el panel Catálogo.
- En el panel Catálogo, expanda Carpetas. Expanda Clasificar manglares.
Este es el directorio de archivos del proyecto.
- Expanda la carpeta Imágenes de Landsat 8 y la carpeta Imágenes de Landsat 2016.
Las imágenes de Landsat se proporcionan como una serie de archivos.
Nota:
Puede descargar más imágenes de Landsat 8 de la aplicación EarthExplorer del Servicio Geológico de los Estados Unidos. Las ubicaciones adicionales de los manglares se pueden descargar desde Global Mangrove Watch.
- Expanda el elemento LC08_L2SP_148047_20160128_20200907_02_T1_MTL.txt.
Nota:
Es el segundo elemento de la carpeta y se indica con un icono de satélite.
Los distintos productos de Landsat están visibles y se pueden agregar a un mapa. Utilizará Reflectancia de superficie, que son las imágenes en color.
- Haga clic con el botón derecho en Reflectancia de superficie y elija Agregar al mapa actual.
- Si aparece la ventana Calcular estadísticas, elija Sí.
Después de calcular las estadísticas, las imágenes de Landsat se agregan al mapa y al panel Contenido.
- En el panel Contenido, haga doble clic en la capa Reflectancia de superficie_LC08_L2SP_148047_20160128_20200907_02_T1_MTL.
Aparece la ventana Propiedades de capa. Cambiará el nombre de la capa para acortarlo.
- En la pestaña General, en Nombre, escriba Reflectancia de superficie 2016.
A continuación, observará la resolución de las imágenes de Landsat. La resolución es importante cuando se prepara para entrenar el modelo de aprendizaje profundo.
- En la ventana Propiedades de capa, haga clic en la pestaña Fuente.
- Expanda Información del ráster.
Junto a Tamaño de celda X y Tamaño de celda Y, verá que la resolución de este ráster es de 30x30. A continuación, determinará la unidad de medida del tamaño de celda.
- Expanda Referencia espacial.
El valor de unidad lineal es Metros. La resolución de este ráster es de 30 metros. Esto significa que cada píxel de las imágenes de Landsat mide 30 por 30 metros en el terreno.
- Haga clic en Aceptar.
- En la barra de acceso rápido, haga clic en Guardar.
Ha descargado un proyecto de ArcGIS Pro y le ha agregado imágenes de Landsat 8. A continuación, utilizará estos datasets para entrenar un modelo que se utilizará para clasificar automáticamente los bosques de manglares.
Entrenar un modelo de aprendizaje profundo
Para entrenar un modelo de aprendizaje profundo es necesario convertir datos SIG en un formato que se pueda utilizar para clasificar imágenes. En primer lugar, usando imágenes de 2016, marcará manualmente las ubicaciones de los manglares. Estas ubicaciones marcadas se conocen como etiquetas. A continuación, estas etiquetas identificadas se usarán para entrenar el modelo. Una vez creado el modelo, lo aplicará a las imágenes de 2021 para clasificar automáticamente los bosques de manglares.
Nota:
Se le han proporcionado las ubicaciones de manglares de las Naciones Unidas. Puede elegir entre utilizar el dataset proporcionado o crear sus propias etiquetas siguiendo los pasos que se indican a continuación. Si desea utilizar el dataset de manglar proporcionado, vaya directamente a la sección Exportar datos de entrenamiento de este tutorial.
Preparar las etiquetas de entrenamiento
Primero, creará etiquetas. Estas etiquetas son áreas de las imágenes que sabe que contienen manglares. Se pueden crear digitalizando o dibujando polígonos manualmente en las imágenes.
- En la cinta, haga clic en la pestaña Mapa. En el grupo Navegar, haga clic en Marcadores y elija Manglares.
Aparece un área con manglares en el mapa.
- En la cinta, haga clic en la pestaña Imágenes. En el grupo Clasificación de imagen, haga clic en Herramientas de clasificación y elija Administrador de muestras de entrenamiento.
Aparece el panel Clasificación de imágenes. Este panel permite crear distintas clases para las distintas entidades que desea que el modelo clasifique en las imágenes. Agregará una clase que se usará para manglares. Esta clase se almacenará en un esquema personalizado.
- En el panel Clasificación de imagen, haga clic en Crear nuevo esquema.
El esquema predeterminado se elimina.
- Haga clic en el botón Agregar nueva clase.
Nota:
Si no puede ver el botón Agregar nueva clase, aumente el ancho del panel Clasificación de imágenes.
A continuación, asignará un nombre a la clase.
- En Nombre, escriba manglar.
A continuación, asignará un valor a esta clase. El equipo leerá este valor cuando se haya entrenado el modelo. Los manglares se definirán con un valor de 1.
- En Valor, escriba 1.
Por último, proporcionará un color a la clase. Utilizará este color cuando las áreas de manglares se digitalicen en las imágenes. El color negro es fácilmente visible en las imágenes de este proyecto.
- En Color, elija Negro.
- Haga clic en Aceptar.
La clase manglar ahora está disponible en su nuevo esquema. Guardará este cambio realizado en el esquema antes de utilizarlo.
- Encima de Nuevo esquema, haga clic en Guardar.
- En Nombre, escriba Clasificación de manglares.
- En Descripción, escriba Esquema utilizado para etiquetar manglares de imágenes de Landsat 8.
- En Ubicación de salida, vaya a la carpeta Clasificar manglares y haga clic en Aceptar.
- Haga clic en Guardar.
Se ha guardado el nuevo esquema y la clase manglar.
- Guarde el proyecto.
El esquema se guarda y puede ser utilizado por otros usuarios o para otros proyectos.
Crear etiquetas de entrenamiento
Ahora que ha creado una nueva clase de etiqueta, la utilizará para digitalizar áreas de manglares en el mapa.
- En Clasificación de manglares, haga clic en manglar.
La clase se activa. A continuación, elegirá cómo desea digitalizar las áreas de manglares en las imágenes.
- Haga clic en la herramienta Polígono.
Ha seleccionado la clase manglar y una herramienta de dibujo adecuada. Ahora empezará a marcar las áreas de manglares en las imágenes.
- En el mapa, haga clic una vez para empezar a delinear un área de manglares. Siga haciendo clic para agregar vértices y crear un área cerrada. Haga doble clic cuando haya terminado de dibujar la primera área.
Nota:
Para cancelar el polígono durante la digitalización, pulse la tecla Esc.
La entidad completada tiene un contorno negro.
Para que su modelo final tenga los mejores resultados, se recomienda digitalizar tantas áreas de manglares como sea posible. También desea asegurarse de que las áreas que digitalice contienen solo manglares.
Siga delineando áreas de manglares de las imágenes. Cuando haya terminado de digitalizar las etiquetas, guardará los resultados en una geodatabase.
- En el panel Clasificación de imágenes, encima de Clase, haga clic en Guardar.
Se le solicita que guarde los polígonos como una clase de entidad. Los guardará en la geodatabase predeterminada de su proyecto.
- En la ventana Guardar muestras de entrenamiento actuales, en Proyecto, expanda Bases de datos. Haga clic en Classify Mangroves.gdb.
- En Nombre, escriba manglar y haga clic en Guardar.
Las áreas digitalizadas se guardan. Ahora eliminará las muestras de entrenamiento del mapa.
- Cierre el panel Clasificación de imagen.
Aparece la ventana Administrador de muestras de entrenamiento, en la que se le pide que guarde las ediciones.
- Haga clic en Sí.
Es necesario actualizar la geodatabase para que aparezca la nueva clase de entidad.
- En el panel Catálogo, expanda Bases de datos. Expanda Classify Mangroves.gdb.
- Seleccione Classify Mangroves.gdb y pulse F5.
La geodatabase se actualiza y la capa manglares aparece ahora como una clase de entidad. Sin embargo, estos datos se deben convertir al formato adecuado para el entrenamiento del modelo.
Exportar datos de entrenamiento
Ahora que se han creado los datos de entrenamiento, utilizará la herramienta de geoprocesamiento Exportar datos de entrenamiento para aprendizaje profundo para convertir los datos a un formato que se pueda usar para el aprendizaje profundo. La salida de este proceso se conoce como chips de imagen. Las imágenes de Landsat se dividirán en estos chips, o teselas pequeñas, que se utilizarán para entrenar el modelo. Esta primera herramienta de geoprocesamiento determinará cómo se producen esos chips.
- En la cinta, en Búsqueda de comandos, escriba Exportar datos de entrenamiento para aprendizaje profundo. En la lista de resultados de búsqueda, elija Exportar datos de entrenamiento para aprendizaje profundo.
Se abre el panel Geoprocesamiento. En primer lugar, elegirá las imágenes que se usarán para el entrenamiento.
- En Ráster de entrada, elija Reflectancia de superficie 2016.
A continuación, creará una carpeta que contendrá sus datos de entrenamiento.
- En Carpeta de salida, vaya a la carpeta Clasificar manglares. Haga clic con el botón derecho en Clasificar manglares y elija Carpeta.
- Como nombre de la carpeta, escriba MangroveTrainingData.
- Seleccione la carpeta y haga clic en Aceptar.
A continuación, elegirá la clase de entidad que creó anteriormente que define las áreas de manglares en las imágenes.
- En Clase de entidad de entrada o ráster clasificado o tabla, vaya a la geodatabase Clasificar manglares y elija la clase de entidad manglar.
Nota:
Si no creó su propia clase de entidad manglar con el Administrador de muestras de entrenamiento, elija la clase de entidad MangroveForest.
- Haga clic en Aceptar.
- En Campo de valor de clase, elija Classvalue.
Nota:
Si utiliza la clase de entidad MangroveForest, elija el campo pxlval.
El siguiente conjunto de parámetros, Tamaño de tesela, quedará con sus valores predeterminados. Sin embargo, estos valores se pueden utilizar para aumentar o reducir los chips creados por esta herramienta. El tamaño predeterminado es 256x256 píxeles. Paso determina cuánta superposición hay entre los chips que se crean. De forma predeterminada, cada chip se superpone 128 píxeles o un 50 por ciento. Una mayor superposición aumentará el número de chips creados.
El último parámetro de esta herramienta es Formato de metadatos. Este parámetro determina el tipo de modelo de aprendizaje profundo que puede producir. Como está realizando una clasificación de píxeles de los manglares, elegirá el formato Teselas clasificadas.
- En Formato de metadatos, elija Teselas clasificadas.
Por último, definirá el tamaño de celda de salida de los datos de entrenamiento en 30 metros. Esta resolución es la misma que la de las imágenes de Landsat 8.
- En Exportar datos de entrenamiento para aprendizaje profundo, haga clic en la pestaña Entornos.
- En Análisis de ráster, en Tamaño de celda, escriba 30.
- Haga clic en Ejecutar.
La herramienta de geoprocesamiento dividirá las imágenes en chips con el formato correcto para la clasificación de píxeles. La división es necesaria porque las imágenes completas no caben en la memoria de la mayoría de los equipos a la vez. La herramienta también sabe qué áreas de las imágenes son manglares en función de las áreas digitalizadas.
A continuación, explorará los resultados de la herramienta.
- En el panel Catálogo, expanda la carpeta MangroveTrainingData y la carpeta de imágenes.
Los archivos de imagen son los chips que se crearon.
- Haga clic con el botón derecho en el archivo 000000000.tif y elija Agregar a mapa actual.
- Si aparece la ventana Calcular estadísticas, elija Sí.
- En el panel Contenido, haga clic con el botón derecho en 000000000.tif y elija Zoom a capa.
La tesela está visible en el mapa. Es una pequeña parte de las imágenes de Landsat.
Nota:
La imagen mostrada se basa en el uso de la clase de entidad MangrovesForest como entrada para la herramienta Exportar datos de entrenamiento para aprendizaje profundo. Si eligió digitalizar sus propias áreas de manglares, sus chips tendrán un aspecto diferente. Es posible que tenga que agregar algunos chips antes de encontrar uno con las áreas de color blanco que representan los bosques de manglares.
Entrenar el modelo
Hasta ahora, ha digitalizado áreas de manglares y las ha exportado a un formato que se puede usar para el entrenamiento. Ahora, ejecutará el modelo.
Nota:
Dependiendo del hardware de su equipo, el entrenamiento del modelo puede tardar hasta varias horas. Se recomienda que su equipo esté equipado con una unidad dedicada de procesamiento de gráficos (GPU). Si no desea entrenar el modelo, se ha proporcionado un paquete de aprendizaje profundo en la carpeta Clasificar manglares y puede ir la siguiente sección, Implementar el modelo de aprendizaje profundo.
- En la cinta, en Búsqueda de comandos, escriba Entrenar un modelo de aprendizaje profundo. En la lista de resultados de búsqueda, elija Entrenar modelo de aprendizaje profundo.
Se abre el panel Geoprocesamiento. Primero, seleccionará sus datos de entrenamiento y, después, definirá algunos parámetros del modelo de aprendizaje profundo.
- En Datos de entrenamiento de entrada, vaya a la carpeta Clasificar manglares y haga clic en la carpeta MangroveTrainingData. Haga clic en Aceptar.
A continuación, elegirá dónde guardar su modelo de aprendizaje profundo.
- En Modelo de salida, vaya a la carpeta Clasificar manglares. Cree una nueva carpeta y cambie el nombre a MangroveClassifier.
- Seleccione la carpeta MangroveClassifier y haga clic en Aceptar.
Ahora, determinará el número de iteraciones, conocidas como ciclos, que ejecutará el modelo.
- En Ciclos máx., confirme que el valor es 20.
En función del formato de los datos de entrenamiento exportados anteriormente, definirá un tipo de modelo específico de clasificación de píxeles.
- Expanda Parámetros de modelo y confirme que Tipo de modelo es U-Net (clasificación de píxeles).
U-Net es un modelo de aprendizaje profundo que clasifica los píxeles de un ráster mediante la segmentación semántica. Este modelo se utiliza para la clasificación de la ocupación del suelo.
A continuación, definirá el número de muestras de entrenamiento que se procesarán durante el entrenamiento de uno en uno. Sus datos de entrenamiento más rápido si el tamaño de lote es mayor.
- En Tamaño de lote, escriba 16.
A continuación, cambiará un parámetro para asegurarse de que el entrenamiento se ejecuta en los 20 ciclos.
- Expanda Avanzado y desactive la casilla Detener cuando el modelo deje de mejorar.
Por último, si tiene una GPU, configurará esta herramienta para que se ejecute en la GPU de su equipo para un procesamiento más rápido. De lo contrario, omita el siguiente paso.
- Opcionalmente, si su equipo tiene una GPU, haga clic en la pestaña Entornos. En Tipo de procesador, elija GPU.
- Haga clic en Ejecutar.
Nota:
Si el modelo no se puede ejecutar, es posible que tenga que ajustar el parámetro Tamaño de lote. La capacidad de procesar tamaños de lote más grandes depende de la GPU de su equipo. Si dispone de una GPU potente, puede procesar hasta 64 muestras de entrenamiento a la vez. Si tiene una GPU menos potente, puede que tenga que cambiar este parámetro a 8, 4 o 2 y volver a ejecutar la herramienta.
Mientras se ejecuta la herramienta, puede ver el progreso del entrenamiento.
- Haga clic en Ver detalles.
Aparece la ventana Detalles.
- Haga clic en la pestaña Mensajes.
Para cada uno de los 20 ciclos que se ejecutan, Mensajes muestra el rendimiento del modelo. Concretamente, comenzará a ver que la precisión del modelo aumenta o se acerca a 1.
Nota:
Dado que el modelo se entrena de forma diferente cada vez que se ejecuta esta herramienta, es posible que los mensajes de su modelo varíen de la imagen anterior.
- Cierre la ventana Entrenar modelo de aprendizaje profundo.
Cuando la herramienta de geoprocesamiento haya terminado, observará las salidas.
- En el Explorador de archivos, vaya a su carpeta de proyecto. Abra la carpeta MangroveClassifier.
La carpeta contiene varias salidas que se pueden usar para clasificar imágenes:
- MangroveClassifier.pth es un modelo entrenado y generalmente se guarda en formato PyTorch.
- MangroveClassifier.emd es un archivo de definición de modelo que contiene información del modelo relacionada con el tamaño, las clases y el tipo de modelo de tesela.
- model_metrics.html contiene detalles sobre la tasa de aprendizaje utilizada y la precisión final del modelo.
- MangroveClassifier.dlpk es un paquete completo de todos los archivos almacenados en la carpeta de salida de modelo que incluye el modelo entrenado, el archivo de definición de modelo y el archivo de métricas del modelo. Este paquete se puede compartir con ArcGIS Online y ArcGIS Enterprise como un elemento para que otros accedan.
Explorará el archivo model_metrics para ver cómo funcionó el modelo.
- Abra el archivo model_metrics.
Aparece su navegador web predeterminado. En esta página se encuentra la información sobre su modelo y lo bien que pudo clasificar los manglares con los datos de entrenamiento de entrada.
La sección Pérdidas de entrenamiento y validación muestra un gráfico con la cantidad de error que estaba presente a medida que el modelo se entrenó a lo largo del tiempo. Al ejecutar el modelo, se utilizaron algunos de los datos de entrada para entrenar el modelo y otros se utilizaron para validar el modelo o probar el modelo y determinar su precisión. Lo ideal sería que estos valores disminuyesen a medida que la cantidad de imágenes procesadas aumenta a lo largo de las 20 épocas.
El análisis del modelo muestra la precisión de las clases de datos. Técnicamente, su modelo tenía dos clases: una correspondiente al manglar y otra para NoData. Un valor de mayor precisión significa que el modelo tiene más confianza en los resultados.
Por último, esta página muestra algunos chips de muestra que comparan los datos de entrenamiento originales del manglar: Realidad del terreno a la izquierda y las Predicciones del modelo a la derecha. Idealmente, la predicción debería coincidir exactamente con la realidad del terreno original.
- Cierre la página model_metrics en su navegador web.
- Cierre el Explorador de archivos.
Antes de implementar el modelo, borrará la caché de la GPU para asegurarse de que tenga memoria suficiente para clasificar las imágenes de Landsat 2021. Si no tiene una GPU en su equipo, puede omitir este paso.
- In ArcGIS Pro, en el panel Catálogo, expanda Cajas de herramientas. Expanda Classify Mangroves.tbx.
El script proporcionado en esta caja de herramientas no tiene ninguna entrada.
- Abra el script Borrar caché y haga clic en Ejecutar.
- Guarde el proyecto.
Creó un modelo de entrenamiento mediante la digitalización de áreas de manglares a partir de imágenes de Landsat 8 tomadas en 2016. Después, tomó su clase de entidad de manglares, la convirtió a un formato adecuado para entrenar un modelo de aprendizaje profundo y la utilizó para crear un paquete de aprendizaje profundo. A continuación, usará su nuevo modelo para clasificar automáticamente los manglares en las imágenes de Landsat 8 tomadas en 2021.
Aplicar el modelo
Una vez creado un modelo de aprendizaje profundo, se puede utilizar de forma repetida para clasificar rápidamente la ocupación del suelo en un área de interés. Tomará el modelo que creó y lo usará para clasificar manglares en la misma área geográfica que sus datos de entrenamiento originales. Sin embargo, las imágenes de Landsat serán más recientes.
Implementar el modelo de aprendizaje profundo
Ahora, tomará imágenes de Landsat de 2021 y usará su modelo de aprendizaje profundo para inferencia o clasificará las imágenes y hallará la extensión de los manglares.
Nota:
Si no entrenó un modelo en el módulo anterior, se le proporciona un paquete de aprendizaje profundo para utilizarlo en la carpeta Clasificar manglares.
La clasificación de imágenes es un proceso que consume muchos recursos de GPU y que puede tardar tiempo en completarse dependiendo del hardware del equipo. Se ha proporcionado un ráster clasificado de ubicaciones de manglares en Classify Mangroves.gdb. Si opta por no clasificar las imágenes, puede ir directamente a la sección Explorar resultados.
- En el panel Contenido, elimine la capa Reflectancia de superficie 2016.
- En el panel Catálogo, expanda la carpeta Imágenes de Landsat 8. Expanda la carpeta Imágenes de Landsat 2021.
- Expanda el archivo LC08_L2SP_148047_20201224_20210310_02_T1_MTL.txt.
Nota:
Es el segundo elemento de la carpeta y se indica con un icono de satélite.
- Agregue el ráster de Reflectancia de superficie al mapa. Si se le pide que calcule las estadísticas, haga clic en Sí.
- En el panel Contenido, cambie el nombre de la capa Reflectancia de superficie_LC08_L2SP_148047_20201224_20210310_02_T1_MTL a Reflectancia de superficie 2021.
- Haga clic con el botón derecho en Reflectancia de superficie 2021 y elija Zoom a capa.
Sus imágenes de 2021 están en el mapa y listas para clasificarlas. Utilizará la herramienta de geoprocesamiento Clasificar píxeles con aprendizaje profundo para aplicar su modelo de aprendizaje profundo a estas imágenes.
- En la cinta, en Búsqueda de comandos, escriba Clasificar píxeles con aprendizaje profundo. En la lista de resultados de búsqueda, elija Clasificar píxeles con aprendizaje profundo.
- En Ráster de entrada, elija Reflectancia de superficie 2021.
- En Dataset ráster de salida, escriba MangroveExtent2021.
- En Definición de modelo, vaya a la carpeta MangroveClassifier. Haga clic en el paquete de aprendizaje profundo MangroveClassifier.
Nota:
Si no entrenó un modelo de aprendizaje profundo, vaya a la carpeta Clasificar manglares y abra la carpeta del paquete de aprendizaje profundo. Haga clic en ManglarClassifier.
- Haga clic en Aceptar.
Hay otros argumentos de modelo que se pueden configurar para mejorar el modelo si es necesario. Se trata de parámetros que se transfieren desde cuando entrenó el modelo.
- En Argumentos, para batch_size, escriba 16.
Por último, configurará los entornos de la herramienta.
- Haga clic en la pestaña Entornos.
- En Análisis de ráster, en Tamaño de celda, escriba 30.
- En Tipo de procesador, defina Tipo de procesador como GPU.
- Haga clic en Ejecutar.
Nota:
La capacidad de establecer el tamaño de lote en 16 depende de la GPU. Si no se puede ejecutar la herramienta, pruebe a cambiar este parámetro a 8, 4 o 2.
Cuando se completa la ejecución de la herramienta, los resultados se agregan al mapa.
Nota:
Los resultados variarán según la precisión de su modelo. El color también puede variar.
Explorar los resultados
Antes de empezar a comparar el cambio de cobertura del manglar con el paso del tiempo, examinará cómo de satisfactorios son los resultados del modelo en comparación con las imágenes.
Nota:
Si no ejecutó la herramienta Clasificar píxeles con aprendizaje profundo en la sección anterior, los resultados se le proporcionarán. En el panel Catálogo, expanda Classify Mangroves.gdb. Agregue el ráster MangroveExtent2021 al mapa.
- Vaya al marcador Manglares.
- En el panel Contenido, cambie el nombre de MangroveExtent2021 a Extensión de manglar 2021 y mantenga la capa seleccionada.
- En la cinta, haga clic en la pestaña Capa ráster. En el grupo Comparar, haga clic en Swipe.
La herramienta Swipe permite hacer clic y mover el mapa para ocultar una capa y revelar la capa que hay debajo.
- En el mapa, arrastre para mostrar la capa Reflectancia de superficie 2021 que hay bajo la capa Extensión de manglar 2021.
El deslizamiento del mapa y la comparación de las dos capas ayuda a visualizar los resultados del modelo.
Nota:
En función de dónde coloque el puntero en la pantalla, puede deslizar verticalmente u horizontalmente.
Antes de continuar, volverá a la herramienta Explorar, que le permite moverse por el mapa.
- En la cinta, haga clic en la pestaña Mapa. En el grupo Navegar, haga clic en el botón Explorar.
- Guarde el proyecto.
Ahora que ha completado el proceso de entrenamiento, comparará estos resultados con la extensión del manglar desde 2016 usando un flujo de trabajo de aprendizaje profundo.
Detectar cambios
Para comprender mejor cómo o dónde están amenazados o crecen los bosques de manglares, realizará un análisis de ráster entre las extensiones de manglares de 2016 y 2021 para ver dónde crecen o disminuyen estos bosques.
Rasterizar etiquetas de entrenamiento
Para ver dónde está cambiando la cobertura de los manglares, necesitará que las dos capas de manglares estén en un formato ráster. La capa de salida del modelo de aprendizaje profundo ya es un ráster, pero los datos proporcionados por Global Mangrove Watch para las extensiones de manglar de 2016 no lo son. Convertirá esta capa poligonal de manglares de 2016 en un ráster.
- En el panel Contenido, active la capa Manglar y desactive la capa Extensión de manglar 2021.
Puede ver el contorno de la cobertura de los manglares desde 2016.
Esta es la capa que convertirá en un ráster.
- En la cinta, haga clic en la pestaña Imágenes. En el grupo Análisis, haga clic en el botón Funciones ráster.
Aparece el panel Funciones ráster. Las funciones ráster permiten crear y analizar datasets ráster.
- En el cuadro de búsqueda, escriba Rasterizar entidades. Pulse Intro.
- En Conversión, haga clic en Rasterizar entidades.
Aparece la función ráster Rasterizar entidades. Primero, elegirá un ráster que establezca la extensión y la resolución del ráster de salida.
- En Ráster, elija Reflectancia de superficie 2021.
A continuación, elegirá la capa poligonal que desea convertir en un ráster.
- En Entidades de entrada, elija Manglar.
Establecerá el campo que clasifica cada entidad poligonal como manglares con un valor de 1.
- En Campo, elija pxlval.
- Haga clic en Crear capa nueva.
- Desactive la capa Manglar.
Se agrega al mapa una nueva capa ráster de los bosques de manglares de 2016.
- Cambie el nombre de Rasterizar entidades_Reflectancia de superficie 2021 a Extensión de manglar 2016.
Comparar extensiones de manglares
Ahora que tiene dos rásteres que representan la extensión de los manglares en 2016 y 2021, utilizará una serie de funciones ráster en una plantilla creada previamente para comparar las dos extensiones de los manglares con el fin de ver dónde han aumentado, se han reducido o han permanecido igual. Antes de ejecutar la plantilla, examinará cómo funciona.
Primero, importará la plantilla de función ráster.
- En el panel Funciones ráster, borre la búsqueda.
- Haga clic en la pestaña Personalizado.
- Señale Personalizado1 y haga clic en Importar funciones.
- Vaya a la carpeta Clasificar manglares. Seleccione la plantilla de función ráster Calcular cambio de cobertura de manglares. Haga clic en Aceptar.
La plantilla se agrega bajo Personalizado1.
- En Personalizado1, haga clic con el botón derecho en Calcular cambio de cobertura de manglares. Haga clic en Editar.
Se abre la ventana Editor de funciones con la plantilla Calcular cambio de cobertura de manglares.
La plantilla comienza con los elementos verdes de la izquierda. Estos representan los dos rásteres de manglar que se van a comparar. Ambos rásteres están vinculados a una función ráster Es nulo. Esto lee los rásteres de entrada y determina las áreas que se han clasificado como manglares y las que están clasificadas como sin datos. A continuación, la función ráster Con convierte las áreas sin datos para tener un valor de 0. Los manglares siguen teniendo el valor 1, que estableció cuando creó sus muestras de entrenamiento anteriormente en el tutorial. En este punto siguen existiendo dos rásteres, uno para 2016 y otro para 2021, pero ahora son rásteres binarios donde las áreas de manglares tienen un valor asignado de 1 y las áreas que no son de manglares tienen un valor de 0. La función final, Calcular cambio, resta el ráster de manglar de 2021 del ráster de 2016. Dado que las áreas de manglares y que no son manglares se han convertido en 0 y 1, la salida revela las áreas en las que se ha producido un aumento en la cobertura del manglar (un valor de 1), las áreas que han visto una disminución en la cobertura del manglar (un valor de -1) y las áreas que no han cambiado (valor de 0).
- Cierre la ventana Editor de funciones.
- En el panel Funciones ráster, haga clic en la plantilla Calcular cambio de cobertura de manglares.
Se abre la función ráster. Configurará esta herramienta para que se ejecute del mismo modo que una herramienta de geoprocesamiento.
- En Es nulo, establezca Manglares 2016 en Extensión de manglar 2016.
- En Es nulo, establezca Manglares 2021 en Extensión de manglar 2021.
- Haga clic en Crear capa nueva.
Se agrega una nueva capa al mapa. Representa las áreas que experimentaron un aumento en la cobertura del manglar en morado y muestra las áreas que perdieron los manglares en verde. En el área en blanco no se produjo ningún cambio. Ajustará la simbología para que esto esté más claro.
Nota:
Los resultados variarán dependiendo de los resultados del modelo de aprendizaje profundo.
- En el panel Contenido, cambie el nombre de Calcular cambio de cobertura de manglares_Extensión de manglar 2016_Extensión de manglar 2021 a Cambio de cobertura de manglares.
- Haga clic con el botón derecho en la capa Cambio de cobertura de manglares y haga clic en Simbología.
Aparece el panel Simbología. A continuación, configurará la simbología y eliminará las áreas blancas con un valor de 0.
- Haga clic en la pestaña Máscara.
- Active la casilla Visualizar valor de fondo.
La simbología del mapa se actualiza.
- En el panel Contenido, desactive la capa Extensión de manglar 2016.
Los resultados finales están visibles, pero se ven con dificultad en las imágenes. Cambiará la transparencia de las imágenes para que los resultados sean más claros.
- En el panel Contenido, seleccione la capa Reflectancia de superficie 2021.
- En la cinta, haga clic en la pestaña Capa ráster. En el grupo Efectos, en Transparencia, escriba 50 y pulse Intro.
Los resultados finales ahora son más fáciles de ver.
Los resultados de este análisis muestran dónde ha aumentado y se ha reducido la cobertura de los manglares entre 2016 y 2021. Elegir la simbología adecuada revela estos patrones, lo que facilita la visualización de estos cambios en la ocupación del suelo con el paso del tiempo.
Nota:
La exportación de muestras, los modelos de entrenamiento y la implementación de modelos de aprendizaje profundo también se puede realizar con ArcGIS Notebooks con ArcGIS API for Python y el módulo arcgis.learn. Para ver ejemplos de cómo se pueden utilizar estas herramientas de geoprocesamiento para procesar imágenes en un entorno de notebook, vaya al panel Catálogo y expanda la carpeta Notebooks. Verá cuatro notebooks de muestra que utilizan los mismos procesos que aplicó en este tutorial.
En este tutorial, ha usado imágenes para crear un modelo de aprendizaje profundo y, después, lo ha aplicado. En primer lugar, creó un dataset de entrenamiento y se convirtió a un formato de clasificación de píxeles. Entrenó un modelo para reconocer los manglares en las imágenes de Landsat 8. A continuación, aplicó el modelo a imágenes más recientes. Por último, el cambio de manglares se mostró en el mapa para dejar claro dónde se están expandiendo las especies de árboles y dónde están desapareciendo. Estos resultados se pueden utilizar para ayudar a planificar los trabajos de conservación y restauración del manglar. Además, su modelo de aprendizaje profundo se puede usar para clasificar hábitats de manglares de todo el mundo.
Aparte de la clasificación de manglares, Esri proporciona varios modelos previamente entrenados en ArcGIS Living Atlas para agilizar el proceso de clasificación de imágenes y detección de objetos. Estos modelos se pueden descargar de forma gratuita y puede implementarlos directamente en las entradas de imágenes compatibles. También puede ajustar con precisión estos modelos previamente entrenados en sus propios datos de entrenamiento; por lo general, esto lleva menos tiempo que entrenar un modelo desde cero.
Encontrará más tutoriales en la galería de tutoriales.
