Redes Neuronales Artificiales en la elaboración de MDT

Como en las anteriores entradas he comentado acerca de diferentes aplicaciones realizadas con el concepto de redes neuronales artificiales, esta vez discutiré acerca de una Tesis realizada por un estudiante de la Maestría en ciencias de información y las comunicaciones de la Universidad Distrital Francisco José de Caldas concretamente el estudiante Yeison Javier Cajamarca Montoya con su proyecto denominado "Evaluación de una metodología para la generación de Modelos Digitales del Terreno a partir de Esterofotogrametría Digital aplicando el Modelo de Correlación por Mínimos Cuadrados Mediante una Red Neuronal Artificial" 

Básicamente, el autor pretende mediante algoritmos de Redes Neuronales Artificiales evaluar la correlación por MCO la generación de Modelos Digitales de Terreno MDT. El estudiante utiliza el software Agisoft PhotoScan Professional Edition para la elaboración de los MDT de un área cuya topografía tuviera cambios relevantes y permitiera una mejor visualización de los resultados. 

Lo interesante es como aplica la teoría de las Redes Neuronales Artificiales; utilizando las imágenes como insumo para el entrenamiento de la red neuronal. Definiendo la estructura del modelo de RNA (Red Neuronal Artificial) con las capas de entada, el numero de capas oculta y el numero de neuronas en cada una de ellas con el fin de obtener un mejor resultado, que se traduce en la capa de salida que define el MDT. Cada neurona realiza la suma de estos pesos y define los resultados según el umbral establecido en base a la función Sigmoidal del algoritmo. Este proceso de aprendizaje es realizado minimizando en el error iterativamente mediante el método de descenso de gradiente usando el algoritmo BackPropagation. El cambio de peso en cada iteración se calcula en base a la multiplicación del gradiente por una constante llamada Taza de Aprendizaje (Learning Rate) y sumando el cambio del peso anterior multiplicado por otro parámetro denominado Momentum.

El proceso de experimentación consta de tres pasos para los párametros definidos:

• Clasificador Perceptron Multicapa: Los experimentos se ejecutan con una, dos y tres capas ocultas modificando el numero de neuronas en cada una, iniciando con los valores por defecto.
• Modificación del numero de iteraciones: En el proceso de aprendizaje  con incrementos de 100 a partir del valor por defecto hasta 1000.
• Modificación del valor de la taza de aprendizaje y del Momentum: Se incrementa 0.1 (En general) a partir de los valores proporcionados por defecto sin sobrepasar el valor igual a 1. 

El proyecto presenta un muy buen valor de correlación durante el proceso global debido a que este se aproxima a 1. También se aprecia la correlación de las variables de entrada y su importancia en el proceso, se puede apreciar que el ajuste de los pesos de signo negativo se presentan en las variables correspondientes a las bandas con los niveles digitales de la zona, esto quiere decir que estas no aportan mucho al momento de definir la altura sobre el terreno, y era de esperarse ya que la correlación entre los niveles digitales da la altura de los elementos visibles en la imagen o lo que se llama el MDE. 

De nuevo se puede apreciar la gran ayuda de las Redes Neuronales Artificiales de Perceptrón Multicapa en una aplicación de generar Modelos Digitales de Terreno optimizados por medio de modelos de correlación por mínimos cuadrados.