GRAFCAN ha culminado recientemente un pionero e innovador desarrollo tecnológico que le permitirá detectar, automáticamente, cambios en el territorio a partir de ortofotos. Esta tecnología complementa, amplía y fortalece la capacidad de análisis territorial de la empresa pública instrumental y será la base de futuras actuaciones relacionadas.

El proyecto desarrollado por GRAFCAN se centra en los cambios producidos en la red de transporte terrestre y las edificaciones. El objetivo es identificar tanto nuevas vías y construcciones como modificaciones o alteraciones en las existentes.

El proyecto se inició en el año 2016 como una actividad interna de I+D+i con dedicación parcial de recursos técnicos. La tecnología desarrollada integra la librería de código abierto TensorFlow, desarrollada por Google, para el aprendizaje automático (Machine Learning). El trabajo realizado por GRAFCAN se ha centrado, principalmente, en la definición y evaluación de diversas arquitecturas de redes neuronales y en la creación de herramientas de generación de patrones de entrenamiento para dichas redes.

Los patrones de entrenamiento son la base del proceso de aprendizaje y posterior comportamiento de las redes. En el marco de esta red orientada al control de cambios, los patrones son parejas de imágenes en las que se indica si representan o no un cambio y cuál es su clasificación básica.  La red desarrollada consta de 22 capas neuronales con más de 36 millones de parámetros a ajustar durante los procesos de entrenamiento. En estos entrenamientos de la red, tanto el inicial como los posteriores, se utilizan unos 85.000 patrones que son procesados por la arquitectura diseñada en unas 18 horas aproximadamente.

La red neuronal desarrollada exhibe un gran rendimiento. Así, por ejemplo, en el caso de la isla de Lanzarote, es capaz de analizar los más de 27.000 millones de píxeles que contienen dos imágenes de la isla (una anterior y otra posterior) con una resolución de 25 cm/píxeles, en menos de 48 horas, para obtener 823 cambios. Una duración que se ha visto favorecida tanto por diversas optimizaciones de software como el uso de hardware especializado (GPU).

Teniendo en cuenta que el comportamiento de la red lo determina el proceso de aprendizaje y que este se basa en un subconjunto, por definición parcial, suficientemente representativo de la totalidad de los casos que se producen en la realidad, se ha adoptado la decisión de supervisar con operadores los resultados generados por el sistema para refinar progresivamente su comportamiento mediante la retroalimentación de la evaluación de sus resultados.

El control de cambios en el territorio aplicando técnicas de Aprendizaje Profundo (Deep Learning) a ortofotos es sólo un primer ejemplo de las capacidades que puede ofrecer la combinación de Inteligencia Artificial e información espacial para la generación de conocimiento territorial. Se trata de una incipiente línea de trabajo que puede ser extendida a muchos ámbitos de la Administración y que GRAFCAN espera asentar y consolidar durante los próximos años. Además constituye un claro ejemplo de mejora y optimización de los recursos y servicios públicos mediante la integración de tecnología de vanguardia desarrollada por el sector privado.

Resumen   Artículo   Presentación