Un artículo de investigación del grupo GITTS ha sido aceptado para publicación en IEEE Latin America Transactions, una de las revistas más prestigiosas del IEEE para la región latinoamericana. El artículo, titulado «Deep Learning-Based Spectral Unmixing for Hyperspectral Image Classification in Tropical Agriculture», presenta una metodología novedosa de desmezclado espectral basada en redes neuronales autoencoder para la clasificación de cultivos tropicales en imágenes hiperespectrales.
El método propuesto utiliza una arquitectura autoencoder variacional (VAE) que aprende representaciones latentes de las firmas espectrales de los componentes puros (endmembers) presentes en cada píxel, permitiendo estimar las fracciones de abundancia con mayor precisión que los métodos lineales convencionales como FCLS (Fully Constrained Least Squares). Los experimentos se realizaron con imágenes hiperespectrales adquiridas por el sensor Headwall Nano-Hyperspec sobre parcelas agrícolas experimentales del IDIAP en Divisa, Panamá.
Esta publicación demuestra el potencial de las técnicas de inteligencia artificial para resolver problemas complejos de teledetección agrícola en el contexto tropical panameño.
El desmezclado espectral es un problema fundamental en el procesamiento de imágenes hiperespectrales, especialmente cuando la resolución espacial del sensor es insuficiente para resolver individualmente los componentes de la escena (problema del píxel mixto). En escenarios agrícolas tropicales, la alta diversidad de coberturas vegetales y la presencia de suelo expuesto, maleza y cultivos en diferentes etapas fenológicas hacen que el desmezclado espectral sea particularmente desafiante. Las técnicas de deep learning han demostrado capacidades superiores para capturar las no linealidades inherentes a la mezcla espectral en escenarios complejos.
Se diseñó un autoencoder variacional con 5 capas ocultas (256-128-64-128-256 neuronas) y una capa latente de dimensionalidad igual al número estimado de endmembers. La red fue entrenada con un dataset de 50,000 espectros etiquetados, aumentado mediante técnicas de data augmentation espectral (adición de ruido, interpolación espectral y mezcla sintética). Se comparó el rendimiento del VAE con métodos clásicos (VCA+FCLS, NMF) y con una red adversarial generativa (GAN) para desmezclado. Las métricas de evaluación incluyeron el error cuadrático medio de reconstrucción (RMSE), el ángulo espectral (SAM) y la precisión de clasificación (OA).
El método propuesto alcanzó un RMSE de abundancia de 0.043, superando significativamente al método FCLS (0.087) y al NMF (0.071). La precisión de clasificación de cultivos (arroz, maíz, frijol, banano) fue del 95.2{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290}, comparada con el 88.7{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290} obtenido con clasificación basada en SVM con kernel RBF. El artículo ha sido seleccionado como «Featured Paper» del número de la revista y ha generado solicitudes de colaboración de grupos de investigación en Brasil, Colombia y México.
- Bioucas-Dias, J. M., Plaza, A., Dobigeon, N., Parente, M., Du, Q., Gader, P., & Chanussot, J. (2012). «Hyperspectral unmixing overview: Geometrical, statistical, and sparse regression-based approaches.» IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(2), 354-379.
- Kingma, D. P., & Welling, M. (2014). «Auto-Encoding Variational Bayes.» Proceedings of the 2nd International Conference on Learning Representations (ICLR).