Automatización en la detección de potenciales linderos: integración de algoritmos de IA y fusión de imágenes
DOI:
https://doi.org/10.24054/rcta.v1i47.4310Palabras clave:
catastro multipropósito, detección de bordes, fusión de imágenes, aprendizaje profundo, límites arcifiniosResumen
La desactualización catastral en Colombia constituye una barrera estructural para la implementación de la Reforma Rural Integral (RRI). Esta investigación valida una metodología para la extracción automática de linderos visibles mediante la fusión de imágenes de radar de apertura sintética (SAR) y ópticas, empleando técnicas de inteligencia artificial. Se evaluaron comparativamente los enfoques de aprendizaje automático y aprendizaje profundo, contrastando el modelo fundacional Segment Anything Model (SAM) con un detector de bordes reentrenado (VGG13_bn). Los resultados cuantitativos indican que, si bien SAM presenta un mayor nivel de segmentación, el modelo VGG13_bn alcanzó un F1-score de 0.405 y una exactitud de 0.888, configurándose como la alternativa más equilibrada y viable desde el punto de vista operativo. El trabajo aporta un flujo metodológico reproducible que puede apoyar procesos de modernización catastral en contextos de alta complejidad territorial.
Descargas
Referencias
C. Lemmen, J. Zevenbergen, M. Lengoiboni, K. Deininger y T. Burns, “First experiences with high resolution imagery based adjudication approach for Social Tenure Domain Model in Ethiopia”, en Proceedings of the FIG–World Bank Conference, 2009.
J. A. Richards, Remote Sensing with Imaging Radar. Berlin, Germany: Springer, 2009.
C. Oliver and S. Quegan, Understanding Synthetic Aperture Radar Images. Raleigh, NC, USA: SciTech Publishing, 2004.
B. Fetai, M. Racic, and A. Lisec, “Deep learning for detection of visible land boundaries from UAV imagery,” Remote Sens., vol. 13, no. 11, art. 2077, Jun. 2021, doi: 10.3390/rs13112077.
H. Carstairs et al., “An effective method for InSAR mapping of tropical forest degradation in hilly areas,” Remote Sens., vol. 14, no. 3, art. 452, Feb. 2022, doi: 10.3390/rs14030452.
A. Irfan, Y. Li, X. E, and G. Sun, “Land use and land cover classification with deep learning-based fusion of SAR and optical data,” Remote Sens., vol. 17, no. 7, art. 1298, Mar. 2025, doi: 10.3390/rs17071298.
A. Kirillov et al., “Segment anything,” in Proc. IEEE/CVF Int. Conf. Comput. Vis. (ICCV), 2023, pp. 4015–4026, doi: 10.1109/ICCV51070.2023.00370.
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, May 2015.
G. Vasile, E. Trouvé, J.-S. Lee, and V. Buzuloiu, “Intensity-driven adaptive-neighborhood technique for polarimetric and interferometric SAR parameters estimation,” IEEE Trans. Geosci. Remote Sens., vol. 44, no. 6, pp. 1609–1621, Jun. 2006.
D. Small and A. Schubert, Guide to ASAR Geocoding. RSL-ASAR-GC-AD, Tech. Rep., Univ. of Zurich, 2008.
M. Schmitt and X. X. Zhu, “Data fusion and remote sensing: An ever-growing relationship,” IEEE Geosci. Remote Sens. Mag., vol. 4, no. 2, pp. 6–23, Jun. 2016.
D. Comaniciu and P. Meer, “Mean shift: A robust approach toward feature space analysis,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 5, pp. 603–619, May 2002.
J. He, S. Zhang, M. Yang, Y. Shan, and T. Huang, “Bi-Directional Cascade Network for Perceptual Edge Detection,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), 2019, pp. 3828–3837.
K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv preprint arXiv:1409.1556, 2014.
Instituto Geográfico Agustín Codazzi, Resolución n.º 471 de 2020, “Por la cual se establecen los lineamientos para la formación, actualización y conservación catastral con enfoque multipropósito en Colombia,” May 11, 2020. [Online]. Available: https://www.igac.gov.co/transparencia-y-acceso-a-la-informacion-publica/normograma/resolucion-no-471-de-2020
B. Fetai, M. Racic y A. Lisec, “Revising cadastral data on land boundaries using deep learning”, ISPRS International Journal of Geo-Information, vol. 11, n.º 5, p. 298, 2022. [En línea]. Disponible en: https://doi.org/10.3390/ijgi11050298
Y. Zhang, H. Liu, J. Wang, and X. Chen, “Detecting cadastral boundaries from satellite images using a U-Net model,” Remote Sens., vol. 17, no. 4, art. 742, 2025.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Javier Damián León Ruiz, Diego Andrés Bedoya Peña, Martha Patricia Valbuena Gaona
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
