Machine Learning en la plataforma ArcGIS

El término Machine Learning (ML) se conoce como aprendizaje automático o aprendizaje de máquinas siendo una rama de la Inteligencia Artificial (IA), cuyo objetivo es el desarrollo de técnicas que permitan aprender a los ordenadores. Los campos de aplicación son múltiples, como el fraude de uso de tarjetas de crédito, reconocimiento del habla, teledetección, etc. y ya están empezando a ser parte de nuestras vidas.

Machine Learning y GIS

La conjunción de los Sistemas de Información Geográfica y el ML es el nuevo paso de integración de estas poderosas tecnologías para responder preguntas aparentemente incontestables. Este artículo es un claro ejemplo que permite predecir dónde están creciendo las algas marinas en el mundo en base a una serie de parámetros como la temperatura, la salinidad, los nutrientes, etc. y herramientas de análisis como Empirical Bayesian Kriging (EBK), combinado con clasificadores que modelan las relaciones entre las condiciones oceánicas y las del alga marina con precisiones por encima del 95%.

En la pasada Conferencia Esri España 2017, Ignacio Vázquez nos mostró en la sesión plenaria los resultados de este proyecto en ArcGIS Pro

Otro ejemplo de ML muy interesante relacionado con los Sistemas de Información Geográfica es la creación de modelos predictivos en base al seguimiento de cultivos vía imágenes de satélite con alta resolución temporal (imágenes capturadas cada pocos días sobre la misma zona). Esta técnica permite hacer seguimiento de los diferentes cultivos que pueden tener una firma espectral muy similar donde los ciclos de crecimiento estacional son diferentes, y nos ayudan no solamente a diferenciarlos, si no también a realizar estimaciones de producción.

Las imágenes como fuente de datos para ML pueden ser de diferentes tipos, lo que proporcionan características ideales para un tipo de escenario u otro:

• Pancromáticas: son imágenes monobanda (normalmente se visualizan en escala de grises)
• Multiespectrales: que contienen varias bandas o canales en diferentes zonas del espectro electromagnético (generalmente inferior a 50 bandas o canales)
• Hiperespectrales: es el equivalente a una multiespectral donde el número de bandas es superior a 50. Un mayor número bandas permite discriminar con mucha más precisión los elementos en las imágenes
• Radar: imágenes capturadas en la zona del espectro radar. Capaces de detectar movimientos de tierras de milímetros, e incluso calcular el deshielo en los polos, gracias a la capacidad de penetración en el hielo de determinados tipos de ondas radar.

Diferencia entre imagen multiespectral frente a hiperespectral. Fuente: Harris

Existen otras características en las imágenes que las hacen más idóneas para unos fines u otros como el tamaño de celda (resolución espacial) y la resolución espectral (número de valores posibles que puede discernir en una celda). No es viable identificar vehículos a motor en imágenes dónde el tamaño de pixel es de 10 m (10 m x 10 m = 100 m²), pero sí en imágenes con 1 m de resolución de pixel.

Puedes revivir la sesión técnica sobre imágenes que impartimos en la Conferencia Esri España 2017 donde Yansa Tejada e Isaac Medel mostraron las diferentes herramientas que la plataforma ArcGIS posee para su aplicación en teledetección.

Algoritmos de Machine Learning

Los algoritmos de ML usados en teledetección pueden agruparse en 2 categorías:

• Supervisados: de los cuales se disponen de datos históricos de entrada y los resultados van mejorando según se va entrenando al sistema, buscando objetivos concretos. Los podemos englobar en clasificadores, regresiones y algoritmos de predicción
• No supervisados: es de tipo exploratorio, se implementan a través de técnicas de agrupación (clustering) y asociaciones eficaces para el reconocimiento de patrones y obtener información no deducible sin conocer los datos.

¿Qué algoritmos se usan con más frecuencia?

Son muchos los algoritmos existentes y nuevos que se van creando con el tiempo. A continuación, nombramos los más conocidos.

• Support Vector Machine Classifer (SVM) es un clasificador supervisado que normalmente requiere menos muestras de entrenamiento que la mayoría de los clasificadores, no requiere que las muestras estén distribuidas bajo ningún tipo de patrón, genera poco ruido y puede ser aplicado a cualquier tipo de imagen.
• Arboles de Decisiones
• Redes Neuronales
• Bosques Aleatorios

¿Cómo se pueden mejorar los resultados con estos algoritmos?

Hay varias maneras de mejorarlos, pero una de las más conocidas y que más se usa es la segmentación de imágenes, que abre un abanico de posibilidades muy grandes, dado que permite “agrupar” en una imagen objetos con características parecidas de color, textura, área, etc. lo que ayuda a los algoritmos de ML a reconocer objetos y patrones de una manera más eficiente aumentando la calidad del resultado y abriendo otras posibilidades que con los algoritmos tradicionales sería más complejo.

¿Qué herramientas de ML encontramos en la plataforma ArcGIS?

Os presentamos este enlace que ofrece un listado completo de los diferentes clasificadores que se pueden encontrar en la plataforma, donde muchos de ellos pueden englobarse dentro de la categoría de ML.

En Esri estamos apostando por la creación de flujos de ML donde podemos ir mejorándolos, en base a las herramientas que nos ofrecen y así poder replicarlo en otras imágenes de características similares. Aquí podéis ver el flujo detallado de clasificación de imágenes en ArcGIS Pro.

La tecnología avanza permitiendo a la inteligencia artificial desarrollar modelos predictivos cada vez más certeros. De este paradigma se habló, entre otros, en la mesa de expertos sobre IA y Big Data en la pasada Conferencia Esri España.

¿Quieres conocer cómo sacar el máximo provecho a tu ArcGIS y sus capacidades en ML? Ponte en contacto con nosotros.