Procesamiento eficiente y profundo de imágenes hiperespectrales de la observación remota de la Tierra y aplicaciones en tareas de clasificación

Resumen

Los avances en computación y en teledetección han fomentado el desarrollo de potentes espectrómetros que pueden capturar grandes volúmenes de datos hiperespectrales. Esta información se caracteriza por su alta resolución espectral, registrando la absorción de radiación solar en los materiales, midiendo diferentes longitudes de onda a lo largo del espectro electromagnético. Como resultado, la imagen hiperespectral (IHS) es usada en el análisis de datos de teledetección debido a la gran cantidad de información que contiene, lo que permite una mejor caracterización y explotación de la superficie terrestre mediante la combinación de gran información espacio-espectral. Sin embargo, IHS plantea grandes desafíos para los métodos de clasificación debido a la alta dimensionalidad de los datos y la disponibilidad limitada de muestras de entrenamiento. En este contexto, los métodos de aprendizaje profundo (AP) se postulan como una solución interesante para mejorar la clasificación de datos IHS, alcanzando resultados prometedores en una amplia gama de aplicaciones. Esta tesis enfoca sus esfuerzos en el desarrollo de enfoques de AP nuevos y eficientes para la clasificación IHS, procesando información espectro-espaciale del cubo de datos IHS original y brindando soluciones más robustas contra el sobreajuste, la alta dimensionalidad, las anomalías de datos y la variabilidad de los mismos. Para ilustrar las ventajas y los beneficios de las propuestas implementadas en comparación con el estado actual en la clasificación de la cobertura terrestre mediante IHS, se han realizado varios experimentos en escenarios reales y se han comparado con los métodos de procesamiento disponibles en la literatura.