Investigadores de la Universidad de Aberdeen han desarrollado SAGRNet, un modelo de IA avanzado diseñado para mejorar significativamente la precisión del mapeo de la cobertura terrestre, especialmente para la vegetación. Este innovador modelo emplea el aprendizaje profundo para analizar objetos de paisaje completos, mejorando la eficiencia y la precisión en comparación con los métodos tradicionales píxel por píxel. El estudio que detalla el desarrollo de SAGRNet se publicó en el ISPRS Journal of Photogrammetry and Remote Sensing.
SAGRNet se entrenó utilizando imágenes de satélite de diversos paisajes en el noreste de Escocia, y se probó posteriormente en cinco áreas de la periferia urbana distribuidas globalmente. Estas áreas, incluyendo Guangzhou, Durban, Sídney, Nueva York y Porto Alegre, fueron seleccionadas para representar diversos entornos ecológicos. Este enfoque asegura la robustez y la transferibilidad del modelo en varios entornos.
La disponibilidad abierta del modelo permite a los responsables de la toma de decisiones evaluar rápidamente el impacto de eventos como inundaciones y sequías en grandes áreas de tierra. SAGRNet también puede monitorear el crecimiento de los cultivos, ayudando en las predicciones de cosechas y en las decisiones de uso sostenible de la tierra. Esta tecnología se alinea con los avances en curso en IA y teledetección, como destaca el próximo simposio IEEE IGARSS 2025 y la reciente actualización del mapa de cobertura terrestre de Esri.
La capacidad de SAGRNet para evaluar de forma rápida y precisa los cambios en el paisaje es crucial para comprender los impactos del cambio climático. La versatilidad del modelo lo hace adecuado para aplicaciones a gran escala, como estudios de recursos terrestres y monitoreo ecológico. El desarrollo de SAGRNet representa un avance significativo en el monitoreo ambiental y la gestión sostenible de la tierra, ofreciendo herramientas valiosas para investigadores y responsables políticos a nivel mundial.