Transfer learning in convolutional neural networks for fire scene classification in the Pantanal Biome (Brazil)
[ES] Durante 2024, los incendios en el Pantanal, Brasil, representaron una amenaza significativa para el humedal más grande del mundo. Este estudio presenta un enfoque de clasificación de escenas utilizando imágenes Sentinel-2 de áreas afectadas y no afectadas por el fuego, basado en aprendizaje pro...
| Authors: | , , , , , , |
|---|---|
| Format: | article |
| Publication Date: | 2026 |
| Country: | España |
| Institution: | Universitat Politècnica de València (UPV) |
| Repository: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Language: | English |
| OAI Identifier: | oai:dnet:riunet______::82a0ee83b0753e49ffc8a41744f026be |
| Online Access: | https://riunet.upv.es/handle/10251/235477 |
| Access Level: | Open access |
| Keyword: | Convolutional Neural Networks (CNNs) Tropical ecosystems Transfer learning Remote sensing Forest fires. Redes Neuronales Convolucionales (CNNs) Ecosistemas tropicales Transferencia de aprendizaje Teledetección Incendios forestales |
| Summary: | [ES] Durante 2024, los incendios en el Pantanal, Brasil, representaron una amenaza significativa para el humedal más grande del mundo. Este estudio presenta un enfoque de clasificación de escenas utilizando imágenes Sentinel-2 de áreas afectadas y no afectadas por el fuego, basado en aprendizaje profundo. En primer lugar, se entrenó experimentalmente un modelo con el conjunto de datos EuroSAT para clasificar pastizales y vegetación herbácea. Posteriormente, se aplicó la técnica de transferencia de aprendizaje a las imágenes del Pantanal afectadas por incendios. Finalmente, la arquitectura VGG-19 fue entrenada desde cero, sin el uso de parámetros preentrenados. Considerando estos tres experimentos, el entrenamiento con el conjunto EuroSAT alcanzó una pérdida de 0,202 tras 50 épocas. El modelo con transferencia de aprendizaje, utilizando los pesos aprendidos en el entrenamiento experimental, obtuvo una pérdida de validación de 0,15 y una precisión del 95 %, mientras que el entrenamiento desde cero alcanzó una pérdida de validación de 0,07 y una precisión del 97 %. Los resultados indican un desempeño similar entre las dos estrategias, lo que evidencia que el entrenamiento intradominio puede considerarse un método eficaz para el entrenamiento CNNS aplicadas a imágenes satelitales, sin comprometer la precisión en la clasificación de escenas, incluso en presencia de diferencias significativas en las informaciones contextuales de las imágenes. Este enfoque se presenta como una alternativa metodológica para el monitoreo ambiental en regiones tropicales complejas, caracterizadas por una alta heterogeneidad espacial y espectral. |
|---|