Els resultats de l'estudi han sigut publicats recentment en la revista científica International Journal of Applied Earth Observation and Geoinformation (Elsevier), i consoliden la posició de la Valencia Anchor Station (VAS), situada a la comarca d'Utiel-Requena, com un enclavament estratègic per a la validació de dades de teledetecció de programes internacionals com Copernicus, CEOS o NASA.
Durant els tres anys de duració del projecte —des de setembre de 2021 fins a agost de 2024—, l'equip ha recopilat dades sobre humitat del sòl, temperatura de la superfície i paràmetres biofísics de la vegetació, amb l'objectiu de millorar la qualitat de les observacions satel·litàries mitjançant intel·ligència artificial i anàlisi semàntica.
L'estudi s'ha centrat en una àrea de 10 × 10 quilòmetres entorn de la VAS, ampliant-se a un entorn de fins a 30 × 30 quilòmetres. Utilitzant imatges multitemporals del satèl·lit Sentinel-2 corresponents a l'any 2021, els investigadors van comparar el rendiment de sis algorismes de machine learning i tres de deep learning. Entre ells, va destacar el model basat en xarxes neuronals convolucionals residuals (ResCNN), que va aconseguir una precisió global del 96 % i un coeficient kappa del 95 % al juliol, coincidint amb el màxim desenrotllament de les vinyes.
A més, els resultats indiquen que, amb una metodologia sòlida, és possible estendre l'àrea d'anàlisi en fins a 10 quilòmetres addicionals sense necessitat d'afegir noves mostres d'entrenament. El model desenrotllat per l'equip va superar àmpliament en precisió a productes globals com ESA WorldCover i ESRI Land Use/Land Cover.
El treball ha sigut realitzat pels investigadors David García-Rodríguez, Ana Pérez-Hoyos, Beatriz Martínez, Pablo Catret, José Javier Samper, Ernesto López-Baeza i Juan José Martínez, tots ells vinculats a la Universitat de València. Este avanç reforça la rellevància de la intel·ligència artificial en la millora de la teledetecció i l'anàlisi de l'ús del sòl amb finalitats científics i mediambientals.
Font i fotos: IRTIC