La IA mapea asentamientos informales globales desde satélites de baja resolución

Un nuevo modelo de aprendizaje profundo detecta y mapea automáticamente asentamientos informales usando imágenes satelitales de baja resolución.

Puede clasificar el espectro de un asentamiento informal de manera rentable.

El desafío de mapear asentamientos informales

Casi una cuarta parte de la población urbana mundial vive en asentamientos informales —ubicaciones aisladas de infraestructura urbana y servicios básicos. La mayoría de viviendas no cumplen regulaciones de construcción y están situadas en regiones geográfica y ambientalmente peligrosas.

Mapear estas regiones ayuda a ONGs a servir mejor a quienes lo necesitan, permitiendo a los locales evolucionar significativamente y mejorar su calidad de vida. Sin embargo, mapear estas áreas es un desafío que exige muchos recursos humanos y financieros.

Para abordar esto, un equipo internacional desarrolló un sistema de aprendizaje profundo que detecta y mapea automáticamente asentamientos informales usando imágenes satelitales y aéreas disponibles gratuitamente. Toma imágenes satelitales como entrada (formato raw) y proporciona un clasificador entrenado que genera mapas binarios con áreas de asentamientos informales.

Enfoques de aprendizaje automático rentables

Los investigadores desarrollaron y validaron extensivamente dos métodos basados en ML para identificar y mapear asentamientos informales. Uno es rentable, el otro es costoso pero esencial para procesar información contextual. Juntos, clasifican el espectro de un asentamiento informal.

El primer método usa Bosques de Correlación Canónica (método de ensemble de árboles de decisión para clasificación y regresión) computacionalmente eficientes para aprender la señal espectral de asentamientos informales desde imágenes satelitales de baja resolución.

El segundo usa una red neuronal convolucional con imágenes satelitales de muy alta resolución para extraer características más finas. El equipo demostró la generalización de ambos métodos para identificar asentamientos no solo localmente, sino globalmente.

Referencia: arXiv:1901.00861

Las redes neuronales convolucionales se entrenaron con imágenes de baja, alta y muy alta resolución, usando 8 GPUs NVIDIA Tesla V100 con 16GB cada una. Como la muy alta resolución es costosa, desarrollaron un enfoque rentable usando imágenes de baja resolución.

Asentamientos formales e informales en Kibera, Nairobi | Cortesía de los investigadores

El equipo publicó dos benchmarks de asentamientos informales para imágenes de baja y muy alta resolución, con verdades terrenas adjuntas. También proporcionaron todo el código fuente y modelos en GitHub.

Debido a las diferencias en asentamientos informales mundialmente y las incertidumbres en el terreno, este sistema podría ser muy útil para probar técnicas de transfer learning y meta-learning. Los investigadores planean aplicar técnicas bayesianas para caracterizar incertidumbres via modelos probabilísticos.

Además, un área de un kilómetro cuadrado de asentamiento informal podría albergar más de 129.000 personas. Así, cada píxel podría representar 13 personas. Estos cálculos ayudan a gobiernos y ONGs a entender cuánta ayuda e infraestructura se necesita.

Leer: La IA puede mapear precisamente cada edificio en EE. UU.

Los investigadores trabajan actualmente con UNICEF para recopilar datos de verdad terrenal adicionales y anotaciones para asentamientos informales.