Generación de cartografía automatizada 2D a través de la tecnología deep learning para escala 1:5000, en el sector de Cashapamba

Abstract

La inteligencia artificial (IA), en la actualidad es una herramienta auxiliar en la toma de decisiones, en cuanto tienen la capacidad de resolver problemas de forma autosuficiente. El inconveniente de elaborar cartografía, a través del método de restitución fotogramétrica y digitalización, es que son procesos que conllevan tiempo, recursos, personal especializado; además de hardware y software sumamente costosos. Por tal razón surge la necesidad de generar, comparar y evaluar cartografía, por métodos tradicionales e inteligencia artificial a través de Deep Learning, para escala 1:5000, en el sector de Cashapamba, con la finalidad de obtener cartografía 2D. A partir de información primaria (puntos de apoyo fotogramétrico), secundaria (fotografía aérea, APPLANIX, certificado de calibración), se generaron insumos como ajuste fotogramétrico, modelo digital de superficie y ortofotomosaico. Los objetos de extracción cartográfica fueron: vías, ríos, edificios, manzanas y parterre. Se elaboró cartografía por el método de restitución a partir del bloque generado; desde el ortofotomasaico, se digitalizó y ensayó modelos de Deep Learning. En los entrenamientos se tomaron muestras de forma poligonal, escogiendo los tres mejores modelos, se clasificó el área de estudio, para finalmente trasladar la información a formato vector; la misma que pasó un proceso de edición y generalización. A las bases resultantes se les realizó una estructuración topológica y catalogación; para luego aplicarles la norma ISO 19157 en temas de compleción, consistencia lógica, y exactitud posicional. A los productos generados se les evaluó a través de los estándares NSSDA. Finalmente, se ejecutó una comparación de costo y tiempo entre las cartografías. Los resultados fueron: un ajuste fotogramétrico, modelo digital de superficie, y ortofoto para 4000 ha; cartografía catalogada de restitución, digitalización y Deep Learning en 200 ha; evaluación de calidad de datos geográficos, y tablas de exactitud posicional, comparación de costos y tiempo. En conclusión, es posible la generación de cartografía por Deep Learning para escala 1:5000, considerando que no se pudo generar objetos de tipo lineal, ni puntual.