Crear muestras de entrenamiento

Un inventario y una evaluación de la salud de cada palmera en la plantación de Kolovai, Tonga, llevaría mucho tiempo y un personal considerable. Para simplificar el proceso, utilizará un modelo de aprendizaje profundo en ArcGIS Pro para identificar árboles y, luego, calculará su salud basándose en la medición del verde de la vegetación. El primer paso es encontrar imágenes que muestren Kolovai, Tonga, y tengan una resolución espacial y espectral lo suficientemente fina como para identificar árboles. Una vez que tenga las imágenes, creará muestras de entrenamiento y las convertirá a un formato que pueda ser utilizado por un modelo de aprendizaje profundo. Para que el modelo reconozca lo que se le encarga encontrar, deberá definir imágenes de palmeras para que pueda identificar píxeles similares.

Descargar los datos

Las imágenes precisas y de alta resolución son esenciales cuando se extraen entidades. El modelo solo podrá identificar las palmeras si el tamaño de píxel es lo suficientemente pequeño como para distinguir las copas de las palmeras. Además, para calcular la salud del árbol, necesitará una imagen con bandas espectrales que permitan generar un índice de salud de la vegetación. Encontrará y descargará las imágenes para este estudio de OpenAerialMap, un repositorio de código abierto de imágenes multiespectrales de alta resolución.

  1. Vaya al sitio web de OpenAerialMap.
  2. Haga clic en Iniciar exploración.

    En la vista de mapa interactivo, puede hacer zoom, desplazarse y buscar imágenes disponibles en cualquier lugar del planeta. El mapa está dividido en cuadrículas. Al apuntar a un cuadro de la cuadrícula, aparece un número. Este número indica el número de imágenes disponibles para ese cuadro.

  3. En el cuadro de búsqueda, escriba Kolovai. En la lista de resultados, haga clic en Kolovai.

    Esta es una ciudad en la isla principal de Tongatapu con una plantación de cocoteros.

  4. En caso necesario, aléjese hasta que vea la etiqueta de Kolovai en el mapa. Haga clic en el cuadro de la cuadrícula directamente sobre Kolovai y haga clic en Kolovai UAV4R Subset (OSM-Fit) by Cristiano Giovando.

    Elija la tesela de la imagen de Kolovai

  5. Haga clic en el botón de descarga para descargar el archivo .tif sin procesar. Guarde la imagen en la ubicación que desee.

    Descargar las imágenes

    Debido al tamaño del archivo, la descarga puede durar unos minutos.

Echar un vistazo a los datos.

Para comenzar el proceso de clasificación, creará un proyecto de ArcGIS Pro con las imágenes descargadas y guardará algunos marcadores para usarlos al crear muestras de entrenamiento.

  1. Inicie ArcGIS Pro. Si se le pide, inicie sesión en su cuenta con licencia de ArcGIS.
    Nota:

    Si no tiene una cuenta de ArcGIS Pro o ArcGIS, puede registrarse para obtener una prueba gratuita de ArcGIS.

  2. En Nuevo, haga clic en Mapa.

    La plantilla Mapa crea un proyecto con un mapa 2D.

  3. En la ventana Crear un nuevo proyecto, llame al proyecto CoconutHealth. Guarde el proyecto en la ubicación que desee y haga clic en Aceptar.

    El proyecto se abre y muestra el mapa base topográfico.

  4. En la pestaña Mapa del grupo Capa, haga clic en Agregar datos.

    Agregar datos al mapa

    Aparece la ventana Agregar datos.

  5. En la ventana Agregar datos, en Equipo, vaya a la imagen de Kolovai que descargó de OpenAerialMap. Seleccione el archivo .tif y haga clic en Aceptar.

    La imagen de Kolovai se agrega a su mapa. La capa se enumera en el panel Contenido por su identificador único, que no es significativo. Es buena práctica cambiar el nombre de la capa a algo que se entienda.

  6. En el panel Contenido, haga clic en la capa de imágenes dos veces y escriba Palmeras de Kolovai. Pulse Intro.

    Cambiar el nombre de la capa

  7. Desplácese y haga zoom en el mapa para tener una idea de cómo es la plantación de palmeras.

    En esta imagen se encuentra una gran cantidad de cocoteros. Contarlos individualmente, en el campo o inspeccionando visualmente la imagen, llevaría días. Para que un modelo de aprendizaje profundo haga este trabajo, creará una pequeña muestra de palmeras para el entrenamiento de su modelo. Primero, creará una visualización del mapa personalizada, de modo que pueda ampliar rápidamente las diferentes áreas de la imagen.

  8. En la parte inferior de la ventana del mapa, haga clic en la flecha de escala del mapa y elija Personalizar.

    Crear una extensión de escala personalizada

    Aparece la ventana Propiedades de la escala.

  9. En la ventana Propiedades de la escala, asegúrese de que esté seleccionada la pestaña Escalas estándar. En el cuadro Escala, escriba 1:500.

    Crear escala personalizada

  10. Haga clic en Agregar y haga clic en Aceptar.

    La opción de escala personalizada se ha agregado a la lista de escalas de mapa en su proyecto. Utilizará esta escala cada vez que cree un marcador.

  11. En la cinta, en la pestaña Mapa, en el grupo Consulta, haga clic en Localizar.

    Botón de localización

    Aparece el panel Localizar.

  12. En el cuadro de búsqueda Localizar, pegue las siguientes coordenadas y pulse Intro: 175.3458501°W 21.0901350°S.

    La letra A aparece en el mapa para marcar la ubicación de las coordenadas. Agregará un marcador a esta ubicación con la escala personalizada para poder consultarla en la siguiente sección.

  13. Haga clic en la lista de la escala del mapa y elija 1:500.

    Está viendo una visualización ampliada de la ubicación de las coordenadas del mapa.

  14. En la cinta, en la pestaña Mapa, en el grupo Navegar, haga clic en Marcadores. En el menú, haga clic en Nuevo marcador.

    Crear Bookmark

    Aparece la ventana Crear Marcador.

  15. En la ventana Crear marcador, escriba Palmeras del noroeste y haga clic en Aceptar.
  16. Cree marcadores para las siguientes coordenadas en una escala de 1:500:

    CoordenadasNombre del marcador

    175.3413074°W 21.0949798°S

    Palmeras del centro este

    175.3479054°W 21.1018014°S

    Palmeras del sudoeste

    175.3409475°W 21.1035265°S

    Palmeras del sudeste

    175.3479457°W 21.0959058°S

    Palmeras del centro oeste

  17. Cierre el panel Localizar y guarde el proyecto.

Crear esquema de entrenamiento

Crear buenas muestras de entrenamiento es esencial al realizar el entrenamiento de un modelo de aprendizaje profundo o de cualquier modelo de clasificación de imágenes. También es a menudo el paso que más tiempo consume del proceso. Para proporcionar al modelo de aprendizaje profundo la información que necesita para extraer todas las palmeras de la imagen, creará entidades para que varias palmeras enseñen al modelo el tamaño, la forma y la firma espectral de las palmeras de coco o cocoteros. Estas muestras de entrenamiento se crean y administran mediante la herramienta Etiquetar objetos para aprendizaje profundo.

  1. En la cinta, haga clic en la pestaña Imágenes.

    ArcGIS Pro funciona de forma contextual, por lo que ciertas herramientas y pestañas solo están disponibles si los datos asociados se seleccionan en el panel Contenido. Para activar las herramientas de análisis de imágenes se debe seleccionar una capa ráster.

  2. En el panel Contenido, asegúrese de seleccionar Palmeras de Kolovai.

    Las herramientas de los grupos Clasificación de imagen, Medición y Herramientas están ahora disponibles. Se activará una nueva Capa ráster de pestaña contextual con las pestañas Apariencia y Datos activadas.

  3. En el grupo Clasificación de imagen, haga clic en Herramientas de clasificación y elija Etiquetar objetos para aprendizaje profundo.

    Herramienta Clasificación de imagen

    Aparece el panel Clasificación de imagen con un nuevo esquema en blanco. Creará un esquema con una sola clase porque solo le interesa extraer los cocoteros de las imágenes.

  4. Haga clic con el botón derecho en Nuevo esquema y elija Editar propiedades. En Nombre, escriba Cocoteros. En Descripción, agregue una breve explicación y haga clic en Guardar.

    Se cambia el nombre del esquema en el panel Clasificación de imagen. Ahora ya puede agregar muestras.

  5. Haga clic con el botón derecho en Cocoteros y seleccione Agregar nueva clase.
  6. En el panel Agregar nueva clase, defina los siguientes parámetros:

    • En Nombre, escriba Palmera.
    • En Valor, escriba 1.
    • En Color, elija Rojo Marte.

    Propiedades de la clase

  7. Haga clic en Aceptar.

    La clase Palmera se agrega al esquema Cocoteros en el panel Clasificación de imagen. Creará entidades con la clase Palmera para realizar el entrenamiento del modelo de aprendizaje profundo en cada marcador que haya creado.

Crear muestras de entrenamiento

Para asegurarse de que está capturando una muestra representativa de los árboles del área, digitalizará las entidades de toda la imagen. Estas entidades se leen en el modelo de aprendizaje profundo en un formato específico llamado chips de imagen. Los chips de imagen son pequeños bloques de imágenes cortados de la imagen de origen. Una vez creado un número suficiente de entidades en el panel Clasificación de imagen, las exportará como chips de imagen con metadatos.

  1. En la cinta, haga clic en la pestaña Mapa. En el grupo Navegar, haga clic en el botón desplegable Marcadores y elija el marcador Palmeras del noroeste.
  2. En el panel Clasificación de imagen, seleccione la clase Palmera y haga clic en la herramienta Círculo.

    Herramienta Círculo

    Utilizará esta herramienta para dibujar círculos alrededor de cada palmera en su visualización actual. Los círculos se dibujan desde el centro de la entidad hacia fuera, midiendo el radio de la entidad.

  3. En el mapa, haga clic en el centro de una palmera y dibuje un círculo alrededor de un solo árbol.

    Crear muestras de entrenamiento

    Se agrega un nuevo registro de palmera en el grupo Objetos etiquetados del panel Clasificación de imagen. Al realizar el entrenamiento de un modelo de aprendizaje profundo, cada chip de imagen debe tener todas las palmeras dentro de él etiquetadas como palmeras. Los chips de imagen serán mucho más pequeños que la visualización actual del mapa, pero deberá crear un registro de palmeras para cada árbol que pueda para asegurarse de que haya muchos chips de imagen con todas las palmeras marcadas.

  4. Dibuje círculos alrededor de cada árbol en la visualización del mapa.

    Muestras de entrenamiento de palmeras

    Cuando termine, tendrá aproximadamente 100 ejemplos registrados en el panel Administrador de muestras de entrenamiento.

  5. Cree muestras de entrenamiento para cada palmera en cada marcador.

    Vista general de los datos de entrenamiento

    Nota:

    Cuantas más muestras se realicen para el entrenamiento del modelo, mejor realizará la clasificación el modelo.

    La digitalización de muestras de entrenamiento puede llevar mucho tiempo, pero merece la pena disponer de una gran cantidad de ejemplos. Cuantas más muestras proporcione al modelo como datos de entrenamiento, más precisos serán los resultados que devolverá.

  6. Cuando termine de crear muestras, en el panel Clasificación de imagen, haga clic en Guardar.

    Guardar las muestras de entrenamiento

  7. En la ventana Guardar muestras de entrenamiento actuales, bajo Proyecto, haga clic en Carpetas y haga doble clic en la carpeta de proyecto predeterminada, CoconutHealth.
  8. Asigne a la clase de entidad el nombre PalmTraining y haga clic en Guardar.

    El último paso antes de realizar el entrenamiento del modelo es exportar sus muestras de entrenamiento al formato correcto, como chips de imagen.

  9. En el panel Clasificación de imagen, haga clic en la pestaña Exportar datos de entrenamiento.

    La lista de muestras de entrenamiento se sustituye por los parámetros de Exportar datos de entrenamiento.

  10. En la pestaña Exportar datos de entrenamiento, introduzca los siguientes parámetros:

    • En Carpeta de salida, vaya a la carpeta de proyecto CoconutHealth y cree una carpeta nueva llamada Chips de imagen.
    • En Formato de imagen, elija Formato JPEG.
    • En Tamaño de tesela X y Tamaño de tesela Y, escriba 448.
    • En Formato de metadatos, elija PASCAL Visual Object Classes.

    Exportar chips de imagen para entrenamiento

  11. Haga clic en Ejecutar.

    Se ejecuta la herramienta. Puede tardar algunos minutos en finalizar.

  12. En el panel Catálogo, expanda Carpetas. Haga clic con el botón derecho en CoconutHealth y seleccione Refrescar.

    La carpeta se refresca para mostrar la carpeta Chips de imagen.

  13. Expanda Chips de imagen.

    La carpeta ahora está llena de muestras de chip de imagen y metadatos.

  14. Guarde el proyecto.

En esta lección, descargó y agregó imágenes de código abierto a un proyecto, creó muestras de entrenamiento utilizando el panel del Administrador de muestras de entrenamiento y las exportó a un formato compatible con un modelo de aprendizaje profundo para entrenamiento. A continuación, identificará todos los árboles de la plantación.


Detectar palmeras con un modelo de aprendizaje profundo

Clonar el entorno de conda predeterminado

Primero, creó muestras de entrenamiento de cocoteros y las exportó como chips de imagen. Estas muestras de entrenamiento se pueden usar para entrenar un modelo con la herramienta Detectar objetos con aprendizaje profundo en ArcGIS Pro 2.5, que se basa en marcos de aprendizaje profundo como TensorFlow, Keras o CNTK. Para instalar estas bibliotecas de aprendizaje profundo, clonará el entorno de Python predeterminado con la ventana de comandos de Python. Obtendrá más información sobre el conjunto de herramientas Aprendizaje profundo de ArcGIS Pro y sobre el proceso de instalación de marcos de aprendizaje profundo en la documentación.

  1. En caso necesario, guarde su proyecto y cierre ArcGIS Pro.
  2. En su escritorio, busque y ejecute la ventana de comandos de Python como administrador.

    La ventana de comandos de Python se descargó al instalar ArcGIS Pro, de modo que ejecuta automáticamente el archivo de inicialización propy.bat. Este archivo, que se ejecuta en lugar de python.exe, reconoce el entorno de conda activo de su aplicación y le permite ejecutar scripts independientes utilizando ese entorno.

    Para este proyecto, desea crear un nuevo entorno denominado deeplearning. El entorno predeterminado de ArcGIS Pro es de solo lectura, por lo que lo clonará y realizará cambios.

  3. Ejecute el siguiente comando para crear un nuevo entorno de conda clonando el entorno predeterminado de ArcGIS Pro:
    conda create -n deeplearning –-clone arcgispro-py3

    El proceso de clonación puede tardar unos minutos. Los entornos clonados se almacenan en la carpeta envs, en %LOCALAPPDATA%\Esri\conda\envs\. La variable de sistema %LOCALAPPDATA% sustituye a C:\Ususarios\NombreDeSuCarpetaDeUsuario\AppData\Local\.

  4. Una vez creado el nuevo entorno, ejecute estos comandos para cambiar el directorio a esa carpeta:
    cd C:\Program Files\ArcGIS\Pro\bin\Python\envs\deeplearning
    Nota:

    Si su instalación de ArcGIS Pro no se encuentra en la carpeta Archivos de programa, utilice en su lugar la ruta de su instalación. Hay varias carpetas predeterminadas a las que se pueden clonar los entornos de Python. Se incluyen \AppData\Local\ESRI\conda\envs y \ArcGIS\Pro\bin\Python\envs y pueden variar en función del entorno que estuviera activo anteriormente.

  5. Ejecute el siguiente comando para activar el nuevo entorno y actualice la ruta de archivo para que coincida con el lugar donde almacenó el entorno clonado:
    activate deeplearning

    Esto puede durar varios minutos. Una vez terminado el proceso de activación, el nombre del entorno activo aparece entre paréntesis antes de la ubicación de la carpeta. La activación del nuevo entorno especifica que todos los cambios que haga tienen lugar solo en el entorno seleccionado. Si tiene varios proyectos que necesitan paquetes distintos o versiones de paquete distintas, esto es importante. Ahora, instalará los paquetes que el módulo arcgis.learn necesita ejecutar.

    Activar nuevo entorno

  6. Ejecute los siguientes comandos de uno en uno para instalar las dependencias del paquete de aprendizaje profundo:
    conda install tensorflow-gpu=1.14.0
    conda install keras-gpu=2.2.4
    conda install scikit-image=0.15.0
    conda install Pillow=6.1.0
    conda install fastai=1.0.54
    conda install pytorch=1.1.0
    conda install libtiff=4.0.10 --no-deps
    Nota:

    Algunos paquetes requieren que confirme la instalación. Cuando se le pida, escriba y y pulse Intro.

  7. Use el comando proswap para establecer el Entorno de proyecto de ArcGIS Pro en su entorno deeplearning.
    proswap deeplearning

    Ahora tiene un entorno de conda configurado con todas las bibliotecas necesarias para la ejecución de las herramientas de aprendizaje profundo.

  8. Cierre la ventana de comandos y vuelva a abrir su proyecto CoconutHealth.

    Es necesario refrescar el proyecto para permitir que la nueva configuración del entorno se actualice. Antes de comenzar el proceso de formación de un modelo de aprendizaje profundo, usará el Administrador de paquetes Python para confirmar que el entorno deeplearning esté activo en ArcGIS Pro.

  9. En la cinta, haga clic en la pestaña Proyecto y seleccione Python.

    Se abre el Administrador de paquetes Python. A menos que anteriormente haya utilizado distintos entornos dentro de ArcGIS Pro, el entorno predeterminado, arcgispro-py3, está activo. Los entornos creados y activados en la ventana de comandos solamente se conservan en esa instancia de la ventana a menos que los defina como activos en ArcGIS Pro.

  10. En Entorno de proyecto, confirme que el entorno deeplearning esté activo.

    Administrar entornos en ArcGIS Pro

    Ahora, usará la herramienta Entrenar un modelo de aprendizaje profundo para crear un archivo de definición de modelo de Esri (.emd) con un formato que puedan leer herramientas de geoprocesamiento de ArcGIS como Detectar objetos con aprendizaje profundo.

Entrenar un modelo de aprendizaje profundo

La herramienta de geoprocesamiento Entrenar un modelo de aprendizaje profundo utiliza los chips de imagen que etiquetó para determinar las combinaciones de píxeles de una imagen determinada que representan palmeras. El proceso de entrenamiento genera un archivo de definición de modelo de Esri (.emd) que pueden usar otras herramientas de aprendizaje profundo en ArcGIS. Rellenará un archivo .emd y, después, utilizará la herramienta Detectar objetos con aprendizaje profundo para identificar palmeras en la imagen.

  1. En la cinta, haga clic en la pestaña Análisis. En el grupo Geoprocesamiento, haga clic en Herramientas.
  2. En el panel Geoprocesamiento, busque y abra la herramienta Entrenar un modelo de aprendizaje profundo.
  3. En Datos de entrenamiento de entrada, vaya a la carpeta Chips de imagen que guardó en la carpeta de proyecto CoconutHealth.

    La carpeta Chips de imagen contiene dos carpetas, dos archivos de texto, un archivo .json y un archivo .emd creados con la herramienta Exportar datos de entrenamiento para aprendizaje profundo. El archivo esri_model_definition.emd es una plantilla que rellenará el científico de datos que realizó el entrenamiento del modelo, con información como el marco de aprendizaje profundo, la ruta del archivo al modelo entrenado, los nombres de clase, el tipo de modelo y las especificaciones de imagen de la imagen utilizada en el entrenamiento. El archivo .emd es el puente entre el modelo entrenado y ArcGIS Pro.

  4. En Modelo de salida, cree una carpeta en la carpeta de proyecto CoconutHealth llamada PalmDetection_25_SSD.

    Este formato de nombre contiene información sobre los parámetros que usará para entrenar el modelo. 25 es el número de épocas que usará y SSD significa Single Shot Detector, el tipo de modelo que utilizará.

  5. En Máximo de épocas, escriba 25.

    Una época es un ciclo completo a través del dataset de entrenamiento. Durante cada época, el dataset de entrenamiento que almacenó en la carpeta Chips de imagen se pasa hacia delante y hacia atrás por la red neuronal una vez. El valor predeterminado es 20.

  6. Expanda Parámetros de modelo y asegúrese de que Tipo de modelo esté definido como Single Shot Detector.

    El tipo de modelo determinará el algoritmo de aprendizaje profundo y la red neuronal que usará para entrenar su modelo. En este caso, utilizará el método Single Shot Detector porque está optimizado para la detección de objetos.

    Archivo EMD

  7. Acepte el resto de los parámetros.

    Los argumentos de modelo, los valores de parámetro utilizados para entrenar el modelo, varían en función del tipo de modelo que elija y se pueden personalizar. Para obtener más información sobre la elección de argumentos de modelo, consulte la documentación de Entrenar un modelo de aprendizaje profundo.

    Nota:

    En función de la potencia de procesamiento de su equipo, esta herramienta puede tardar un tiempo en ejecutarse. Para continuar con esta lección de inmediato, descargue el archivo PalmDetection_25_SSD preentrenado y continúe con la sección siguiente.

  8. Haga clic en Ejecutar.

Detección de palmeras

La mayor parte del trabajo de extraer entidades de las imágenes consiste en preparar los datos, crear las muestras de entrenamiento y realizar el entrenamiento del modelo. Ahora que se han completado estos pasos, usará un modelo entrenado para detectar las palmeras de todas sus imágenes. La detección de objetos es un proceso que suele requerir varias pruebas para lograr los mejores resultados. Hay varios parámetros que puede modificar para que su modelo rinda mejor. Para probar estos parámetros rápidamente, pruebe a detectar árboles en una sección pequeña de la imagen. Cuando esté conforme con los resultados, extienda las herramientas de detección a toda la imagen.

  1. En el panel Geoprocesamiento, busque y abra la herramienta Detectar objetos con aprendizaje profundo.

    Esta herramienta llama a una API de Python de aprendizaje profundo de terceros y usa la función ráster de Python especificada para procesar la imagen.

  2. En la herramienta Detectar objetos con aprendizaje profundo, introduzca los siguientes parámetros:

    • En Ráster de entrada, elija Palmeras de Kolovai.
    • En Objetos de salida detectados, escriba CoconutTrees.
    • En Definición de modelo, vaya a PalmDetection_25_SSD.emd (que se descargó con los datos de la lección ubicados en C:\DeepLearning\Data) o al archivo .emd que se creó con la herramienta Entrenar un modelo de aprendizaje profundo.
    • Relleno: 0
    • Umbral: 0,5
    • nms_overlap: 0,6
    • En Tamaño de lote, escriba 1.
    • Active la casilla de Supresión no máxima.
    • En Máx. ratio de superposición, escriba 0,6.

    En la ventana de la herramienta aparecerán argumentos adicionales debido a la información en el modelo entrenado. El científico de datos que le proporcionó el modelo debe proporcionar sugerencias para cada argumento. Si desea experimentar con diferentes valores se proporciona más información sobre los argumentos. De lo contrario, mantenga la configuración predeterminada.

    El argumento threshold es el umbral de confianza: ¿cuánta confianza es aceptable para etiquetar un objeto como palmera? Este número puede ajustarse para lograr la precisión deseada.

    Al realizar la convolución de imágenes en el modelado de redes neuronales convolucionales, esencialmente está reduciendo los datos, y los píxeles del borde de la imagen se usan mucho menos durante el análisis, en comparación con los píxeles internos. De forma predeterminada, el parámetro padding es 0, pero un parámetro padding de 1 significa que se agrega un límite adicional de píxeles a los bordes exteriores de la imagen, todos con un valor de 0. Con ello se reduce la pérdida de información por los píxeles de borde válidos y la contracción. Es posible cambiar el parámetro a 1 o 2 para ver los efectos.

    Píxeles de relleno

    Máx. ratio de superposición (también se muestra en los argumentos de Python como nms_overlap) controla cuánto se puede intersecar una entidad. El parámetro aparece dos veces debido a los argumentos especificados en el archivo .emd, pero no siempre se agrega. Un número inferior de este argumento especificaría que los objetos no se pueden superponer por considerarse entidades individuales. El parámetro batch_size define el número de muestras a utilizar al realizar el entrenamiento de la red en cada iteración de entrenamiento. Por ejemplo, si dispone de 1.000 muestras de formación (chips de imagen) y un tamaño de lote de 100, las primeras 100 muestras de entrenamiento realizarán el entrenamiento de la red neuronal. En la siguiente iteración se utilizarán las siguientes 100 muestras, y así sucesivamente. Según la memoria que tenga disponible su equipo, puede aumentar este parámetro, aunque el entrenamiento debería realizarse únicamente en lotes de cuadrados perfectos. Por ejemplo, podría utilizar un lote de 4, 9, 16, etc.

    La herramienta puede tardar un tiempo en ejecutarse para la imagen completa, por lo que para experimentar con otros parámetros deberá cambiar la extensión de procesamiento a un área más pequeña.

  3. Acerque hasta una escala de 1:500 en algún lugar de la imagen.
  4. Haga clic en la pestaña Entornos en la herramienta Detectar objetos con aprendizaje profundo. Cambie la Extensión a Extensión de visualización actual.
  5. Haga clic en Ejecutar.
  6. Pruebe a cambiar los parámetros para ver si su modelo mejora. Cuando esté conforme con los resultados en una escala más pequeña, cambie la extensión de procesamiento de nuevo a Predeterminada para procesar la imagen completa.
  7. Haga clic en Ejecutar.

    La herramienta tardará varios minutos en ejecutarse, dependiendo del hardware y de si se está ejecutando en la CPU, la GPU o la RAM.

    Objetos detectados por herramientas de aprendizaje profundo

  8. Guarde el proyecto.

Las herramientas de aprendizaje profundo de ArcGIS Pro dependen de un modelo entrenado por un científico de datos y de las funciones de inferencia incorporadas con el paquete Python para el software de modelado de aprendizaje profundo de terceros. En la siguiente lección, utilizará funciones ráster para obtener una estimación de la salud de la vegetación para cada árbol de su área de estudio.


Estimar la salud de la vegetación

En la lección anterior utilizó un modelo de aprendizaje profundo para extraer cocoteros de una imagen. En esta lección, usará la misma imagen para estimar la salud de la vegetación calculando un índice de salud de la vegetación.

Para evaluar la salud de la vegetación, calculará el Índice de resistencia atmosférica visible (VARI), que se desarrolló como una medición indirecta del índice de área con follaje (LAI) y la fracción de vegetación (VF) utilizando solo los valores de reflectancia de la longitud de onda visible:

(Rg - Rr) / (Rg + Rr - R(Rg - Rb))

donde Rr, Rg y Rb son los valores de reflectancia de las bandas roja, verde y azul, respectivamente (Gitelson et al. 2002).

Normalmente, usaría los valores de reflectancia en ambas bandas de longitud de onda, la visible y la de infrarrojo cercano (NIR), para estimar la salud de la vegetación, como con el Índice de vegetación con diferencia normalizada (NDVI). Los datos del ráster Palmeras de Kolovai que descargó de OpenAerialMap son una imagen multibanda con tres bandas, todas en el espectro electromagnético visible, por lo que usará el VARI en su lugar.

Calcular el VARI

La medición del VARI requiere la entrada de las tres bandas dentro del ráster Palmeras de Kolovai. Para calcular el VARI usará la función ráster Aritmética de banda. Las funciones ráster son más rápidas que las herramientas de geoprocesamiento ya que no crean un nuevo dataset ráster. En su lugar, realizan análisis en tiempo real en los píxeles a medida que se desplaza y se acerca.

  1. Si es necesario, abra el proyecto CoconutHealth en ArcGIS Pro.
  2. En la cinta, haga clic en la pestaña Imágenes. En el grupo Análisis, haga clic en Funciones de ráster.
  3. En el panel Funciones ráster busque y seleccione la función ráster Aritmética de banda.

    Función Aritmética de banda

  4. En la función Propiedades de Aritmética de banda, configure los siguientes parámetros y haga clic en Crear una nueva capa:

    • En Ráster, seleccione la capa ráster Palmeras de Kolovai.
    • En Método, elija VARI. La función requiere que proporcione el índice de banda que corresponde a las bandas de entrada para la fórmula. La Entrada bajo el parámetro Índices de banda muestra Rojo Verde Azul, por lo que deberá proporcionar los números de índice de banda que corresponden a las bandas de Rojo, Verde y Azul, en ese orden. Asegúrese de poner un solo espacio entre cada banda.
    • En Índices de banda, escriba 1 2 3.

    Parámetros de Aritmética de banda

    La capa del VARI se agrega al panel Contenido como Aritmética de banda_Palmeras de Kolovai. Al hacer zoom y desplazarse por el área, podrá ver entidades como la línea de costa, carreteras, edificios y campos.

    Resultado del ráster VARI

  5. En el panel Contenido, asegúrese de que la capa Aritmética de banda_Palmeras de Kolovai esté seleccionada.
  6. En la cinta, haga clic en la pestaña contextual Apariencia.
  7. En el grupo Representación, seleccione el menú desplegable Tipo de extensión y elija Desviación estándar.

    Cambiar el tipo de extensión del ráster

  8. En el panel Contenido, haga clic en Aritmética de banda_Palmeras de Kolovai dos veces y cambie su nombre a VARI.

Extraer el VARI de los cocoteros

Disponer de una capa ráster que muestre el VARI es útil, pero no es necesariamente procesable. Para averiguar qué árboles necesitan atención, deberá conocer el VARI promedio de cada árbol individual. Para conocer el valor del VARI de cada árbol, extraerá los VARI promedio subyacentes y los simbolizará para mostrar qué árboles están en buen estado y cuáles necesitan mantenimiento.

Primero, convertirá las entidades poligonales en círculos para representar las palmeras.

  1. En el panel Geoprocesamiento, busque y abra la herramienta De entidad a punto. Introduzca los parámetros siguientes y haga clic en Ejecutar:

    • En Entidades de entrada, seleccione la capa CoconutTrees.
    • En Clase de entidad de salida, escriba CoconutTrees_Points.

    Herramienta De entidad a punto

    Tiene una clase de entidad de punto en el centroide de cada polígono detectado. Si hace zoom en varias ubicaciones y usa la herramienta Medición, verá que las palmeras tienen un radio promedio de aproximadamente 3 metros.

  2. En el panel Geoprocesamiento, busque y abra la herramienta Zona de influencia.
  3. Especifique los parámetros siguientes y haga clic en Ejecutar:

    • En Entidades de entrada, elija CoconutTrees_Points.
    • En Clase de entidad de salida, elija PalmTreesBuffer.
    • En Distancia, elija 3 Metros (asegúrese de que el valor esté establecido en Unidad lineal).

    Tiene una clase de entidad poligonal que representa la ubicación y la forma general de cada copa de cocotero.

  4. En el panel Contenido, desactive las capas VARI, CoconutTrees y CoconutTrees_Points.

    Palmeras con zonas de influencia

    A continuación, extraerá el valor del VARI promedio para cada polígono.

  5. En el panel Geoprocesamiento, busque y abra la herramienta Estadísticas zonales como tabla.
  6. En la herramienta Estadísticas zonales como tabla, introduzca los siguientes parámetros y haga clic en Ejecutar:

    • En Datos de zonas de entidad o ráster de entrada, seleccione PalmTreesBuffer.
    • En Campo de zona, elija ORIG_FID.
    • En Ráster de valor de entrada, elija VARI.
    • En Tabla de salida, escriba MeanVARI_per_Palm.
    • Active Ignorar los NoData en los cálculos.
    • En Tipo de estadística, elija Mean.

    Al establecer el Campo de zona en ORIG_FID se asegura de obtener estadísticas para cada árbol por separado. Este atributo es el Id. único de la capa CoconutTrees original.

    Parámetros de Estadísticas zonales como tabla

    La tabla de salida se agrega a la parte inferior del panel Contenido. Si lo abre, verá el valor FID original y una columna denominada MEAN que contiene el valor del VARI promedio. Unirá esta tabla a la capa PalmTreesBuffer para obtener una clase de entidad con la puntuación de Confianza y el VARI promedio de cada palmera detectada.

  7. En el panel Geoprocesamiento, busque y abra la herramienta Campo de unión.
  8. En la herramienta Campo de unión, introduzca los siguientes parámetros y haga clic en Ejecutar:

    • En Tabla de entrada, elija PalmTreesBuffer.
    • En Campo de unión de entrada, elija ORIG_FID.
    • En Tabla de unión, elija MeanVARI_per_Palm.
    • En Campo de unión de salida, elija ORIG_FID.
    • En Campos de unión, elija MEAN.

    La capa PalmTreesBuffer tiene ahora un campo llamado MEAN unido a ella. Lo cambiará de nombre y lo simbolizará para una mejor comprensión de los datos.

  9. En el panel Contenido, haga clic en PalmTreesBuffer dos veces y cambie su nombre a PalmTreesVARI.
  10. En la cinta, en la pestaña Apariencia, en el grupo Dibujo, haga clic en Simbología.
  11. En Simbología principal, elija Colores graduados.

    Simbología de color graduado

  12. En Campo, elija MEAN.
  13. Si fuera necesario, en Método elija Cortes naturales (Jenks) y configure Clases en 4.
  14. En Esquema de color, haga clic en el menú desplegable y active Mostrar todo y Mostrar nombres. Desplácese y seleccione el esquema Rojo-Amarillo-Verde (4 clases).

    Esquema de color Rojo-Amarillo-Verde

  15. En Clases, haga clic en cada etiqueta y cambie el nombre de las clases de arriba a abajo de la siguiente manera: Necesita inspección, Salud en declive, Moderado y Sano.

    Etiquetas de categoría

    Ahora dispone de un mapa con una clase de entidad que muestra la ubicación, el estado y la confianza del modelo para cada palmera de la imagen.

    Salud del árbol por imágenes

  16. Guarde el proyecto.

Crédito adicional: asignación de tareas de campo y supervisión del progreso del proyecto.

Uno de los mayores beneficios de usar ArcGIS Pro para la extracción de entidades y el análisis de imágenes es que se puede integrar con toda la plataforma ArcGIS. En la última lección usó las herramientas de aprendizaje profundo de ArcGIS Pro para identificar los cocoteros en las imágenes. Las palmeras se pueden almacenar como entidades en una clase de entidad que se puede usar en un SIG. Para ampliar el flujo de trabajo, puede publicar sus resultados en la nube, configurar una plantilla de aplicación web para garantizar la calidad, asignar tareas de inspección de árbol a los trabajadores de campo y supervisar el progreso del proyecto utilizando un cuadro de mando.

Publicar en ArcGIS Online

Para usar aplicaciones configurables para trabajar con sus datos, necesita publicar las palmeras como un servicio de entidades en ArcGIS Online o ArcGIS Enterprise. En ArcGIS Pro, haga clic con el botón derecho en la capa PalmTreesVARI del panel Contenido y seleccione Uso compartido y, a continuación, Compartir como capa web. Se publicará en su cuenta de ArcGIS Online.

Más información sobre la publicación de un servicio de entidades.

Usar plantillas de aplicaciones para revisar la precisión del aprendizaje profundo

Las herramientas de aprendizaje profundo proporcionan resultados con una precisión proporcional a la precisión de las muestras de entrenamiento y la calidad del modelo entrenado. En otras palabras, los resultados no siempre son perfectos. Puede evaluar la calidad de los resultados del modelo comprobando los árboles en los que la puntuación de Confianza, almacenada en el resultado del aprendizaje profundo, sea inferior a un valor dado. En lugar de hacer zoom en cada registro utilizando un filtro de atributos en ArcGIS Pro, la plantilla de aplicación web configurable Image Visit permite revisar rápidamente la precisión de los resultados en una aplicación web.

Más información sobre la aplicación Image Visit.

Usar Workforce for ArcGIS para realizar la verificación de campo

Workforce for ArcGIS es una solución de aplicación móvil que utiliza la ubicación de entidades para coordinar al personal de campo. Puede usar la aplicación Workforce para asignar tareas a los miembros de su organización para que todos los árboles con una puntuación del VARI que figura como Necesidades de inspección se puedan asignar a alguien en el campo, verificarse y marcarse con un tratamiento sugerido.

Más información sobre Workforce for ArcGIS.

Usar Operations Dashboard para supervisar el progreso del proyecto

Finalmente, puede supervisar el progreso de las asignaciones enviadas en su proyecto de Workforce for ArcGIS usando Operations Dashboard for ArcGIS. Operations Dashboard for ArcGIS es una aplicación web configurable que proporciona visualización y análisis para una vista operativa en tiempo real de personas, servicios y tareas.

Más información sobre cómo empezar a utilizar Operations Dashboard.

En esta lección, obtuvo imágenes de drones de código abierto y creó muestras de entrenamiento de las palmeras de la imagen. Esos chips de imagen se proporcionaron a un científico de datos y fueron utilizados por un modelo de aprendizaje profundo entrenado para extraer más de 11.000 palmeras de la imagen.

Aprendió sobre el aprendizaje profundo y el análisis de imágenes, así como sobre las aplicaciones configurables de la plataforma ArcGIS. Puede usar este flujo de trabajo para cualquier número de tareas, si tiene las imágenes y el conocimiento de los modelos de aprendizaje profundo. Por ejemplo, puede usar estas herramientas para evaluar el daño estructural provocado por desastres naturales, para contar vehículos en un área urbana o para encontrar estructuras artificiales próximas a zonas de peligro geológico.

Encontrará más lecciones en la Galería de lecciones de Learn ArcGIS.