Revista de teledetección y SIG

Abstracto

Una clasificación de aprendizaje automático para identificar casas aptas para cargar vehículos eléctricos a partir de imágenes captadas de forma remota

James Flynn y Giannetti

Durante la última década, las redes neuronales convolucionales profundas (DCNN) han surgido como una herramienta poderosa para la clasificación de imágenes de detección remota. En este artículo multidisciplinario, demostramos una aplicación novedosa del aprendizaje automático en el campo de la teledetección mediante el desarrollo de un flujo de trabajo para inspeccionar áreas urbanas en busca de propiedades residenciales adecuadas para la carga de vehículos eléctricos. Se presenta un enfoque de aprendizaje por transferencia de ajuste fino como un nuevo método para analizar datos de imágenes de detección remota. Se utiliza un conjunto de datos único compuesto por imágenes de Google Street View obtenidas de varias ciudades y pueblos del Reino Unido para entrenar y comparar tres redes neuronales y representa el primer intento de clasificar caminos residenciales a partir de imágenes del paisaje urbano mediante aprendizaje automático. Al probar el flujo de trabajo completo en dos áreas urbanas, el sistema completo logra precisiones del 87,2% y el 89,3% respectivamente. Esta prueba de concepto demuestra una nueva aplicación prometedora del aprendizaje profundo en el campo de la teledetección, el análisis geoespacial y la planificación urbana.