Detección de Deforestación por Actividades Mineras y Agrícolas Mediante Redes Neuronales Convolucionales

• Vladimir Wilber Saire Rimachi ^[1] ; Mariana Vela Quispe ^[1] ; Ruth Nataly Aragon-Navarrete ^[1] ; Nelly Jacqueline Ulloa-Gallardo ^[1] ; Luis Alberto Holgado-Apaza ^[1]
  1. [1] Universidad Nacional Amazónica de Madre de Dios

     Universidad Nacional Amazónica de Madre de Dios

     Tambopata, Perú

     
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 70, 2024, págs. 586-602
• Idioma: español
• Títulos paralelos:
  • Detection of Deforestation by Mining and Agricultural Activities Using Convolutional Neural Networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La deforestación, que representa un desafío global y una amenaza para la biodiversidad y el equilibrio ambiental, se ve agravada por actividades como la minería ilegal. Este estudio propone una solución novedosa utilizando Redes Neuronales Convolucionales (RNC). Estos modelos, que incluyen VGG16, MobileNet y VGG19, junto con un modelo de arquitectura personalizada, se emplean para analizar imágenes satelitales y clasificar áreas afectadas por la minería y la agricultura. Se implementa técnicas de transferencia de aprendizaje utilizando imágenes de Google Earth. Los resultados revelan que VGG16 exhibe el desempeño más destacado en términos de métricas clave, con una exactitud del 56%, una sensibilidad del 55% y una puntuación F1 de 0.56. Este hallazgo destaca la eficacia de las RNC, especialmente de VGG16, para identificar áreas deforestadas por actividades humanas. Esto abre oportunidades para la monitorización y mitigación de impactos ambientales, lo cual es crucial para abordar la deforestación y sus consecuencias.

  • English

    Deforestation, which represents a global challenge and a threat to biodiversity and environmental balance, is aggravated by activities such as illegal mining. This study proposes a novel solution using Convolutional Neural Networks (CNNs). These models, which include VGG16, MobileNet and VGG19, together with a custom architecture model, are used to analyze satellite images and classify areas affected by mining and agriculture. Transfer learning techniques are implemented using Google Earth imagery. The results reveal that VGG16 exhibits the most outstanding performance in terms of key metrics, with an accuracy of 56%, a sensitivity of 55% and an F1 score of 0.56. This finding highlights the effectiveness of RNCs, especially VGG16, in identifying areas deforested by human activities. This opens opportunities for monitoring and mitigating environmental impacts, which is crucial for addressing deforestation and its consequences.