SEN2ROAD: LAS CARRETERAS TAMBIÉN SE VEN DESDE SENTINEL

¿QUÉ BUSCA SEN2ROAD?

A día de hoy existe mucha información cartográfica digitalizada de diferentes elementos creados artificialmente, en especial de vías de comunicación y carreteras.

En los países más desarrollados las vías de ciudades de un tamaño considerable están muy bien cartografiadas a través de servicios globales de compañías o iniciativas como OSM (Open Street Map). En este sentido, la calidad o existencia de estas capas de vías va empeorando conforme el tamaño de la ciudad va disminuyendo o la ubicación de la misma se sitúa en países en vías de desarrollo y con recursos limitados.

A todo esto hay que añadir que estas capas de información son actualizadas a ritmos muy diferentes, dependiendo de la geolocalización en la que se encuentran. En continentes como África, por ejemplo, la información cartográfica es muy pobre o está desactualizada, lo que genera un desconocimiento y descontrol en ámbitos como la movilidad y los servicios públicos.

NUESTRA PROPUESTA

En Tracasa hemos afrontado el reto de conseguir una extracción de carreteras y vías a partir de imágenes procedentes de las constelaciones de satélites Sentinel. Como es conocido, la resolución espacial de las imágenes de Sentinel-2A rondan los 10 metros, en muchos casos insuficientes para una correcta segmentación del terreno. Por eso hemos tenido que apoyarnos en nuestro modelo de superresolución SENX4 para mejorar las imágenes y obtener una segmentación más precisa.

Con el avance de nuestro modelo SEN2ROAD de segmentación de vías y carreteras se abre un amplio abanico de posibles usos:

  • Rapid Mapping. Disponer de una cartografía rápida de vías para su utilización
  • Planificación logística y de movilidad
  • Respuesta ante desastres de cualquier índole
  • Análisis de desarrollo urbanístico y huella de carbono
  • Creación y actualización de cartografía 

¿QUÉ OFRECE SEN2ROAD?

Las imágenes de satélite son un recurso de valor incalculable para cualquier objetivo de teledetección y de segmentación del territorio. Hoy por hoy, la disponibilidad de modelos de segmentación de vías que funcionen aceptablemente es muy dependiente de la resolución espacial de las imágenes de satélite que se utilicen. Generalmente, para estos casos se utilizan imágenes con una resolución de 2,5 metros o inferior, y que suponen un coste elevado.

Tracasa, con ayuda de su modelo de superresolución de SENX4, está haciendo posible que imágenes de acceso libre como las procedentes de las misiones Sentinel puedan ser utilizadas para este tipo de trabajos, reduciendo enormemente el coste y posibilitando el acceso a estos servicios a más empresas, instituciones y particulares.

SEN2ROAD es nuestro modelo de segmentación de vías y carreteras a partir de imágenes Sentinel, generalmente urbanas y carreteras, de cualquier ubicación a nivel mundial. Es un modelo que utiliza la tecnología de IA más vanguardista, para conseguir un resultado más que aceptable dada la dificultad que supone este tipo de segmentación a través de imágenes Sentinel.

Segmentación de vías en la ciudad de Barcelona, con la avenida Diagonal en el centro de la imagen.
Barcelona, en una vista aérea, con todo su término municipal con segmentación de vías.
Segmentación de vías y carreteras de la ciudad de Huesca, en Aragón.

VALORANDO EL RETO CONSEGUIDO

Para interpretar correctamente los resultados de nuestro modelo hemos empleado las métricas de uso más extendido en la valoración de modelos de segmentación en el ámbito del deep learning. Como se puede apreciar en la siguiente tabla, SEN2ROAD ya ha llegado a conseguir métricas cercanas a 0.86 en PPV y de 0.72 en mIoU, algo hasta ahora impensable para modelos de segmentación de vías con imágenes Sentinel.

Imagen de Bilbao con segmentación de vías.
Sevilla, en imagen aérea, con segmentación de vías y carreteras.

AÑADIENDO MÁS VALOR: SEG2VECTOR

La segmentación de vías y carreteras a nivel de pixel en la escena tiene un gran valor de representatividad espacial, pero es insuficiente si se quiere utilizar para la toma de decisiones en el ámbito de la planificación, las comunicaciones y la movilidad.

Con la idea de aprovechar al máximo la información segmentada a través de nuestro modelo SEN2ROAD, hemos seguido avanzando con nuestra propuesta de vectorización optimizada de rásters.

A través de nuestra librería de algoritmos SEG2VECTOR conseguimos vectorizar la información ráster de las vías y carreteras de una forma extremadamente optimizada. Así hemos obtenido un formato Shape con toda la información estructurada de las carreteras. Este tipo de información vectorial ya permite la simulación de redes de comunicaciones y estudios posteriores acordes a criterios de movilidad.

CASOS DE USO

Estudio de desarrollo urbanístico

La población mundial sigue creciendo inexorablemente y la concentración de la misma en los grandes centros urbanos produce un efecto negativo en el medioambiente. Este crecimiento puede tener un impacto muy negativo en caso de que no se haga manteniendo rigurosos controles de eficiencia energética.

La generación de un índice de desarrollo urbanístico hípertemporal nos permite establecer, basado en técnicas de teledetección, el patrón de crecimiento de las ciudades y estudiar su impacto energético y medioambiental. En este sentido, se pone en manos de la administración una valiosa herramienta para el estudio de la movilidad ciudadana.

Tesla Gigafactory, en Berlin-Brandenburg (Alemania).

Movilidad y cálculo de rutas alternativas

En muchos supuestos de movilidad reducida producida por la incidencia de catástrofes medioambientales de origen natural, es de suma importancia contar con una cartografía rápida de las vías para poder establecer rutas alternativas.

Cálculo de ruta dentro de la red de nodos y segmentos vectorizados.

Mantener una cartografía lo más actualizada posible proporciona una capa de información muy valiosa a la hora de cubrir las necesidades de movilidad en zonas que quizás no tienen ni la infraestructura ni los medios suficientes como para solucionar los efectos producidos por una catástrofe.

SENX4: A LA VANGUARDIA EN SUPERRESOLUCIÓN

¿QUÉ OFRECE SENX4?

Cuando se trata de extraer información de imágenes procedentes de sensores multiespectrales desplegados en satélites, la resolución espacial de éstas es uno de los principales factores que determinará sus posibles usos. La constelación de satélites Sentinel-2 de la ESA pone a disposición de la comunidad científica imágenes multiespectrales cada cinco días y de manera abierta. Uno de los inconvenientes de estas imágenes radica en su resolución espacial (10 metros por pixel), limitando en muchos casos sus posibles aplicaciones.

Existen numerosas metodologías para aumentar la resolución espacial de imágenes. Algunos enfoques se centran en mejorar las 13 bandas del satélite llevándolas todas a 10 metros apoyándose en las bandas de máxima resolución. Otros intentos generan modelos con factores de escalado 2X y 4X a partir de las 13 bandas, aventurándose a pensar que es posible seguir aplicando este factor para llevar las bandas de 10 metros a 2,5 metros. Pero en ningún caso hasta la fecha se ha creado un modelo que pueda llevar las bandas de 10 metros a 2,5 metros reales.

En Tracasa hemos querido llegar mucho más allá, y con nuestro modelo SENX4 conseguimos mejorar la resolución de las bandas RGB y NIR pasando de los 10 metros a los 2,5 metros, consiguiendo un factor de 4X.

¿CÓMO LO HEMOS CONSEGUIDO?

Hasta ahora, para conseguir aumentar la resolución se utilizaban técnicas tradicionales de interpolación y remuestreo, tales como interpolación lineal, bilineal, cúbica y bicúbica. En nuestro caso, para aumentar la resolución en un factor de 4X, hemos aplicado técnicas de deep learning  y mediante redes neuronales convolucionales de vanguardia conseguimos aumentar la resolución de las imágenes sin inclusión de patrones y mejorando sustancialmente los métodos tradicionales.

En ningún momento hemos realizado posprocesos de la imagen aplicando sharpening o ajustes de color, lo que evita generar imágenes excesivamente sintéticas y alejadas de la realidad del sensor. Nuestro modelo sólo utiliza inteligencia artificial para aprender los patrones de los datos y conseguir una imagen lo más real posible.

 

VALORANDO LA MEJORA CONSEGUIDA

Para interpretar los resultados hemos empleado un sistema de medición ampliamente utilizado en el análisis de imágenes, como es la combinación del PSNR y del SSIM. Estas medidas son indicadores de calidad de los resultados en función de una imagen objetivo a alcanzar. A mayor valor en la métrica mejor se ajustará la imagen al resultado real óptimo. Partiendo de bicubic como línea base a mejorar dentro de los modelos tradicionales de interpolación, hemos conseguido una mejora sustancial en las métricas que se traduce en una imagen más definida, clara y ajustada a la realidad.

 

EJEMPLOS

 

CASOS DE USO

Segmentación semántica: vías y edificios

Con la nueva imagen SENX4 de 2,5 metros somos capaces de obtener una segmentación semántica multiclase mucho más precisa y ajustada. Mejoramos las métricas de segmentación conseguidas con los datos de Sentinel 2A a 10 metros.

Algoritmos de Clustering

Con la resolución de SEN4X conseguimos optimizar los resultados obtenidos a través de algoritmos de clustering. Aportamos una mayor precisión en la frontera espacial de los clusters y en la media representativa de los mismos.