El resultado final es una herramienta robusta y escalable, con un alto grado de generalización y un amplio espectro de detección de cambios, que supone un gran avance técnico. Detecta cambios de aparición, desaparición o modificación para una amplia variedad de objetos geográficos. Asimismo, ignora cambios no relevantes, como los producidos por luces y sombras, vehículos, inclinación de fachadas, cambios en la vegetación, en el agua o en la aparición y desaparición del ganado.
Con esta herramienta se mejora notablemente la eficiencia en los trabajos de actualización de las bases de datos cartográficas, ya que, en contraposición a las técnicas tradicionales que suponen la revisión manual de las ortoimágenes buscando los cambios ocurridos, ahora los esfuerzos de actualización solamente se centran en aquellas zonas donde se hayan detectado cambios automáticamente.
Tecnología GIS: al servicio de la innovación cartográfica
Partiendo de un dataset propio para el proyecto compuesto de imágenes satelitales Sentinel, imágenes aéreas PNOA y ejemplos de etiquetado creados por el equipo de Seresco, y tras el entrenamiento y la evaluación de técnicas de deep learning, los modelos generados han alcanzado una precisión cercana al 90%.
