Ganancias:
- Comprender la lógica de la detección respaldada por IA de la expansión urbana, la construcción y los cambios en la cobertura del suelo a través de sensores remotos e imágenes satelitales.
- Capacidad para evaluar críticamente la clasificación de imágenes y cambiar los resultados de detección con precisión, resolución e información de fecha.
- Capacidad para comprender que los límites que la IA extrae de la imagen deben ser confirmados por registros oficiales y de campo y no pueden ser evidencia legal.
Es imposible salir al campo uno por uno para ver dónde, cuánto y a qué ritmo ha crecido una ciudad en la última década. En cambio, los planificadores utilizan la teledetección (obtener imágenes de la Tierra utilizando satélites y aviones y extraer datos). Al comparar imágenes de satélite de diferentes fechas, se pueden detectar nuevas construcciones, tierras agrícolas perdidas, construcciones ilegales en expansión o espacios verdes cada vez más reducidos. La IA es un poderoso acelerador para clasificar estas imágenes (etiquetar cada píxel como “estructura”, “planta”, “agua”, etc.) y detectar cambios entre dos fechas. Pero el análisis de imágenes está lleno de errores de resolución, fecha, sombras, nubes y clasificación. Un “cambio” que la IA señala podría ser una sombra, una diferencia estacional o un error. Por lo tanto, ninguna conclusión extraída de la imagen puede utilizarse como base para acciones legales sin ser confirmada por registros oficiales y de campo.
Conceptos básicos de la teledetección.
Resolución: El área ocupada por un píxel en el suelo. Con una resolución de 10 metros, un píxel representa 10x10 metros; No se ve una pequeña dependencia. Una alta resolución (por ejemplo, 0,3-1 metro) significa más detalles pero datos más caros y menos frecuentes.
Banda espectral: los satélites también registran luz que el ojo no puede ver (como la infrarroja). La vegetación brilla en el infrarrojo; esto facilita la separación de la planta de la estructura. Índices como el NDVI (una calculadora sencilla que mide el vigor de las plantas) son comunes en el seguimiento de nuevas plantas.
Fecha y estación: Si dos imágenes están en estaciones diferentes, la disminución del verde puede no ser una "pérdida" sino la llegada del invierno. La armonía entre fechas y estaciones es esencial en comparación.
Precisión: El valor que mide qué tan precisa es la clasificación. “85 por ciento de precisión” significa que uno de cada seis píxeles puede estar mal etiquetado; Este es un margen de error significativo para un proceso de auditoría.
Atención: Una estructura detectada por IA a partir de una imagen de satélite no es, por sí sola, evidencia de una estructura ilegal. Los errores de sombra, resolución, fecha y clasificación producen falsos positivos. La inspección y el cumplimiento siempre requieren control del sitio, registro de título de propiedad/licencia y medición oficial.
El mayor valor que aportan a la planificación los datos satelitales abiertos y gratuitos (fuentes como los programas Sentinel de Europa y Landsat de EE. UU.) son las series temporales históricas: se tiene acceso a docenas de imágenes de la misma zona que abarcan años. Esto le permite ir más allá de una única comparación "antes/después" y ver la tasa de expansión, la fluctuación estacional y la tendencia de un vecindario. La IA es útil para resumir estas largas series y separar patrones significativos de cambio del ruido. Pero la misma regla se aplica a las series temporales: no importa cuán clara parezca una tendencia, es la resolución de las imágenes, la tasa de nubosidad y la estacionalidad lo que determina el resultado; Ninguna tendencia puede considerarse confiable sin informar estos tres factores.
Lógica de detección de cambios.
Hay varias formas de comparar dos imágenes fechadas: clasificar ambas fechas y comparar clases, obtener una diferencia de índice (por ejemplo, diferencia de NDVI) o producir directamente un mapa "cambiado/no cambiado" con el modelo de IA. El resultado es un mapa del cambio: dónde está la nueva estructura, dónde está la planta perdida. Este mapa es invaluable como evaluación preliminar: le indica al planificador que "mire hacia allá". Pero cada signo se verifica por separado si se trata de un cambio real o de un error.
Paso a paso: análisis de cambios impulsado por IA
- Defina la pregunta. “¿Dónde estará la nueva construcción en [la zona] entre 2018 y 2024?”
- Seleccionar imagen. Temporada similar, resolución aceptable, nubosidad baja.
- Preprocesamiento. Llévelo al mismo CRS, alinee, aplique máscara de nube/sombra.
- Clasificar/comparar. Genera clase o cambia de mapa con IA.
- Evaluar la precisión. Mida la precisión con puntos de referencia conocidos.
- Confirmación de campo y registro. Verifique los cambios marcados con el título de propiedad/licencia y el sitio si es necesario.
- Límites de informes. Escriba claramente la fecha, resolución, exactitud y margen de error.
Aviso débil / Aviso fuerte
Mensaje débil: "Dime qué cambió con respecto a estas dos imágenes".
La IA produce una lista atractiva pero incierta; Quizás pienses que la diferencia de sombra y estación es un cambio real.
Mensaje contundente: "Estoy comparando datos clasificados de cobertura terrestre de dos fechas (julio de 2018/julio de 2024, misma temporada, resolución de 10 m). Al informar el análisis de cambios, indique claramente: qué cambios pueden ser falsos positivos debido a la sombra/estación/resolución, qué determinaciones requieren verificación de campo y cómo se debe medir la precisión. No sea definitivo; anote cada hallazgo con 'se requiere confirmación de campo'".
El segundo mensaje obliga a la IA a comunicar claramente la incertidumbre y las fuentes de error.
Cuatro plantillas copiables
Tarea: Evaluar críticamente el siguiente resultado de detección de cambios. Enumere las posibles fuentes de ERROR para cada detección: sombra, nube, estación, resolución, error de clasificación. Agregar nota "Se requiere confirmación de campo". No hagas juicios finales. Hallazgos/fecha/resolución: [...]
Tarea: escribir una lista de verificación de criterios de selección de imágenes para un análisis de cambio urbano: estacionalidad, resolución, tasa de nubosidad, rango de fechas, CRS. Cree preguntas para preguntar si las imágenes que tengo cumplen con estos criterios. Información de la imagen: [...]
Tarea: REDACTAR un informe a partir de los siguientes hallazgos del análisis de cambios. Indique claramente la resolución, fecha, precisión y margen de error de cada hallazgo. Encuadre los resultados como “preselección”; Enfatice que se requiere confirmación de campo y de registros oficiales para la inspección/sanción. Hallazgos: [...]
Tarea: Sugiera una forma sencilla de evaluar la precisión de la clasificación: cuántos puntos de referencia, cómo elegir, cómo calcular la precisión (explicación sencilla). Qué declaración de verdad se debe escribir en el informe, ejemplo.Contexto: [...]
Una tabla: tipo de datos y uso
Datos
resolución
punto fuerte
límite
satélite de resolución media
10-30m
Zona libre, frecuente y amplia.
Falta estructura pequeña
satélite de alta resolución
0,3-1m
Detección detallada de estructuras
Riesgo de nube caro y escaso
Foto aérea/ortofoto
0,1-0,3 m
Muy detallado, formal.
La frecuencia de actualización es baja
vehículos aéreos no tripulados (drones)
nivel cm
Instantáneo, muy detallado
Espacio pequeño, permiso/legislación
tres mini casos
Caso 1: Ilusión de sombras. Un municipio ve carteles de "nueva construcción" en un barrio en el mapa de cambios de IA. El equipo de campo va; La mayoría de las señales son largas sombras de edificios en la imagen de la tarde. El número real de nuevas construcciones es la mitad de las señales. La IA había realizado una selección previa, pero si se usaba sin confirmación, produciría actas falsas.
Caso 2: Escapar de una pequeña estructura. Un planificador intenta rastrear pequeños almacenes en un campo agrícola con un satélite gratuito con una resolución de 10 metros. Como los almacenes miden 6x8 metros, permanecen bajo un píxel y no son visibles. El planificador cambia a ortofoto de alta resolución para el seguimiento real. La resolución determina lo que se puede ver.
Caso 3: Informe transparente. Un equipo analiza la extensión de 6 años de una región y escribe claramente en el informe que "las detecciones son un escaneo preliminar con una precisión del 82 por ciento; 47 puntos esperan confirmación en el campo; se adjuntan las fechas y la resolución de las imágenes". El parlamento evalúa el resultado con el peso correcto. Informar la incertidumbre en lugar de ocultarla hace que el análisis sea confiable.
Errores comunes
- Confundir la detección con evidencia. La imagen está preescaneada; Requiere sanciones y registro oficial.
- Desajuste temporada/fecha. Diferentes imágenes estacionales producen variaciones falsas.
- Ignorando la resolución. Las estructuras pequeñas no son visibles a baja resolución; No es "ninguno".
- No informar la exactitud. Ocultar el margen de error conduce a decisiones equivocadas.
- Olvidando sombras y nubes. Las dos fuentes más comunes de falsos positivos.
- Desajuste del CRS. Las imágenes no alineadas cambian en el lugar equivocado.
En resumen
Las imágenes aéreas y de satélite son las formas más poderosas de ver el cambio urbano a escala y velocidad; La IA acelera la clasificación y la detección de cambios. Pero la resolución determina lo que se puede ver, la estación y la fecha determinan lo que es real, la sombra y las nubes determinan lo que es un falso positivo. La precisión siempre debe medirse e informarse. Lo más importante: la detección a partir de la imagen es un escaneo previo; El control de campo, el registro de títulos de propiedad/licencia y la medición oficial son esenciales para la inspección y sanción. La IA acelera la visión, no la toma de decisiones.
Tarea de aplicación
Considere un par de imágenes (o escenarios) con dos fechas diferentes. (1) Verifique los criterios de selección de imágenes con la segunda plantilla: estación, resolución, ¿encaja la nube? (2) Suponga una lista de detecciones de cambios y extraiga posibles fuentes de error para cada detección con la plantilla inicial. (3) Producir un borrador del informe con la tercera plantilla y agregar precisión y margen de error. (4) Escriba qué determinaciones requerirán confirmación de campo y cómo lo hará.
lista de verificación
- [] Verifiqué la compatibilidad de temporada, fecha y resolución de las imágenes.
- [] Alineé las imágenes al mismo CRS; Tomé en consideración la máscara de nube/sombra.
- [] Traté las detecciones de cambios como una evaluación preliminar, no como evidencia.
- [] Evalué e informé la precisión de la clasificación.
- Confirmé los cambios marcados [ ] con registros oficiales y de campo.
- [] Noté lo que el límite de resolución podría omitir.
- [ ] Escribí claramente la fecha, la resolución y el margen de error en el informe.