Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G

Los sistemas de comunicaciones móviles, también conocidos como Telecomunicaciones Móviles Internacionales (IMT), se han convertido en parte integrante de nuestra vida cotidiana y prestan diversos servicios de telecomunicaciones que contribuyen significativamente al bienestar social. Históricamente,...

Full description

Autores:
Tipo de recurso:
Fecha de publicación:
2023
Institución:
Universidad del Rosario
Repositorio:
Repositorio EdocUR - U. Rosario
Idioma:
spa
OAI Identifier:
oai:repository.urosario.edu.co:10336/40988
Acceso en línea:
https://doi.org/10.48713/10336_40988
https://repository.urosario.edu.co/handle/10336/40988
Palabra clave:
5G
IMT
Imagenes Satelitales
EUROSAT
Remote Sensing
Rights
License
Abierto (Texto Completo)
id EDOCUR2_7f2e59f5b2dd53f5dfb1630d78f8f37b
oai_identifier_str oai:repository.urosario.edu.co:10336/40988
network_acronym_str EDOCUR2
network_name_str Repositorio EdocUR - U. Rosario
repository_id_str
dc.title.none.fl_str_mv Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G
dc.title.TranslatedTitle.none.fl_str_mv Satellite image processing through deep learning, land use and land cover algorithms for 5G traffic demand estimation
title Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G
spellingShingle Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G
5G
IMT
Imagenes Satelitales
EUROSAT
Remote Sensing
title_short Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G
title_full Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G
title_fullStr Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G
title_full_unstemmed Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G
title_sort Procesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5G
dc.contributor.advisor.none.fl_str_mv Jiménez Hernández, Mario Fernando
dc.subject.none.fl_str_mv 5G
IMT
Imagenes Satelitales
EUROSAT
topic 5G
IMT
Imagenes Satelitales
EUROSAT
Remote Sensing
dc.subject.keyword.none.fl_str_mv Remote Sensing
description Los sistemas de comunicaciones móviles, también conocidos como Telecomunicaciones Móviles Internacionales (IMT), se han convertido en parte integrante de nuestra vida cotidiana y prestan diversos servicios de telecomunicaciones que contribuyen significativamente al bienestar social. Históricamente, estos sistemas se han centrado en las necesidades de voz y banda ancha. Sin embargo, con la llegada de la 5G, los objetivos se han ampliado significativamente para abarcar un espectro más amplio de aplicaciones, incluidas las adaptadas a las necesidades industriales y al Internet de las Cosas (IoT). Aunque existen metodologías y recomendaciones internacionales para orientar el desarrollo de estos sistemas, a menudo se quedan cortas a la hora de identificar las necesidades únicas de la 5G. Los métodos de estimación tradicionales utilizan datos históricos sobre población y tráfico, pero pasan por alto las nuevas posibilidades que permite la 5G, como la comunicación ultra fiable y de baja latencia y el Internet de las cosas (IoT). El resultado son graves limitaciones en la estimación de la demanda potencial de tráfico para las redes 5G. Este trabajo introduce un enfoque novedoso, utilizando técnicas de teledetección y aprendizaje profundo, en concreto métodos de uso y cobertura del suelo, para comprender el contexto geográfico. Estas técnicas ofrecen una estimación detallada de las características geográficas mediante la medición remota de la radiación electromagnética reflejada y emitida. La integración del aprendizaje profundo para el procesamiento de imágenes añade aún más valor, ya que estos algoritmos han demostrado su éxito en la clasificación, segmentación, detección de objetos, restauración y mejora de imágenes. Adicionalmente, se pretende aplicar estas técnicas utilizando la base de datos de imágenes EuroSat, para mejorar el proceso de planificación de las tecnologías 5G en Colombia. El objetivo es incluir características geográficas en la planeación del despliegue, inferir casos de uso potenciales y mejorar significativamente los análisis de demanda, valoración, factibilidad y otros aspectos necesarios para el desarrollo de 5G.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-09-18T19:37:45Z
dc.date.available.none.fl_str_mv 2023-09-18T19:37:45Z
dc.date.created.none.fl_str_mv 2023-08-01
dc.type.none.fl_str_mv bachelorThesis
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.document.none.fl_str_mv Trabajo de grado
dc.type.spa.none.fl_str_mv Trabajo de grado
dc.identifier.doi.none.fl_str_mv https://doi.org/10.48713/10336_40988
dc.identifier.uri.none.fl_str_mv https://repository.urosario.edu.co/handle/10336/40988
url https://doi.org/10.48713/10336_40988
https://repository.urosario.edu.co/handle/10336/40988
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv Abierto (Texto Completo)
rights_invalid_str_mv Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
dc.format.extent.none.fl_str_mv 67
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad del Rosario
dc.publisher.department.spa.fl_str_mv Escuela de Ingeniería, Ciencia y Tecnología
dc.publisher.program.spa.fl_str_mv Maestría en Matemáticas Aplicadas y Ciencias de la Computación
institution Universidad del Rosario
dc.source.bibliographicCitation.none.fl_str_mv X. Lin, «An Overview of 5G Advanced Evolution in 3GPP Release 18», ene. 2021
H. Holma, A. Toskala, y T. Nakamura, 5G Technology: 3GPP New Radio | Wiley. Accedido: 19 de junio de 2023. [En línea]. Disponible en: https://www.wiley.com/en-us/5G+Technology%3A+3GPP+New+Radio-p-9781119236290
ITU, «5G - Fifth generation of mobile technologies», ITU. https://www.itu.int:443/en/mediacentre/backgrounders/Pages/5G-fifth-generation-of-mobile-technologies.aspx (accedido 19 de junio de 2023).
ITU, «ITU towards “IMT for 2020 and beyond”». https://www.itu.int/en/ITU-R/study-groups/rsg5/rwp5d/imt-2020/Pages/default.aspx (accedido 19 de noviembre de 2022).
ITU, «IMT-2020 BACKGROUND». Accedido: 19 de junio de 2023. [En línea]. Disponible en: https://www.itu.int/en/ITU-R/study-groups/rsg5/rwp5d/imt-2020/Documents/060R1e.pdf
M. Contento, «Massive IoT and 5G: What’s Next for Large-Scale Cellular IoT», Telit, 9 de septiembre de 2022. https://www.telit.com/blog/massive-iot-5g-whats-next/ (accedido 13 de noviembre de 2022).
CISCO, «What Is Low Latency? Ultra-low Latency Use Cases», Cisco, 13 de noviembre de 2022. https://www.cisco.com/c/en/us/solutions/data-center/data-center-networking/what-is-low-latency.html (accedido 13 de noviembre de 2022).
C. Kim, «5G and Massive IoT: legacy technologies will bridge the gap for now :: Omdia», 13 de noviembre de 2022. https://omdia.tech.informa.com/OM004695/5G-and-Massive-IoT-legacy-technologies-will-bridge-the-gap-for-now (accedido 13 de noviembre de 2022).
D. Schulz, «5G for digital industries | ABB», News, 13 de noviembre de 2022. https://new.abb.com/news/detail/74698/5g-for-digital-industries (accedido 13 de noviembre de 2022).
ITU-R, «Future spectrum requirements estimate for terrestrial IMT (M. 2290-0)», 2013.
NASA, «Data | Landsat Science», 30 de noviembre de 2021. https://landsat.gsfc.nasa.gov/data/ (accedido 19 de junio de 2023).
P. Helber, B. Bischke, A. Dengel, y D. Borth, «EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover Classification». Zenodo, Valencia, Spain, 22 de julio de 2018. doi: 10.5281/zenodo.7711810.
Y. Grinberger, M. Minghini, L. Juhász, y G. Yeboah, «The Academic Study of the OpenStreetMap Project, Data, Contributors, Community, and Applications», mar. 2022, Accedido: 20 de junio de 2023. [En línea]. Disponible en: https://www.researchgate.net/publication/359625703_OSM_Science-The_Academic_Study_of_the_OpenStreetMap_Project_Data_Contributors_Community_and_Applications
NIREOS, «What Is Hyperspectral Imaging?» https://www.nireos.com/hyperspectral-imaging/ (accedido 13 de noviembre de 2022).
N. Erdogan, E. Nurlu, A. Guvensen, y Ü. Erdem, «Land use/land cover change detection for environmental monitoring in Turkey: A case study in Karaburun Peninsula», J. Environ. Prot. Ecol., vol. 16, pp. 252-263, ene. 2015.
A. Chatziantoniou, E. Psomiadis, y G. P. Petropoulos, «Co-Orbital Sentinel 1 and 2 for LULC Mapping with Emphasis on Wetlands in a Mediterranean Setting Based on Machine Learning», Remote Sens., vol. 9, n.o 12, Art. n.o 12, dic. 2017, doi: 10.3390/rs9121259.
P. Fisher, A. Comber, y R. Wadsworth, «Land use and land cover: contradiction or complement», 2005, pp. 85-98.
P. C. Pandey, N. Koutsias, G. P. Petropoulos, P. K. Srivastava, y E. Ben Dor, «Land use/land cover in view of earth observation: data sources, input dimensions, and classifiers—a review of the state of the art», Geocarto Int., vol. 36, n.o 9, Art. n.o 9, may 2021, doi: 10.1080/10106049.2019.1629647.
A. Whyte, K. P. Ferentinos, y G. P. Petropoulos, «A new synergistic approach for monitoring wetlands using Sentinels -1 and 2 data with object-based machine learning algorithms», Environ. Model. Softw., vol. 104, pp. 40-54, jun. 2018, doi: 10.1016/j.envsoft.2018.01.023.
W. L. Stefanov, M. S. Ramsey, y P. R. Christensen, «Monitoring urban land cover change: An expert system approach to land cover classification of semiarid to arid urban centers», Remote Sens. Environ., vol. 77, n.o 2, pp. 173-185, ago. 2001, doi: 10.1016/S0034-4257(01)00204-8.
G. P. Petropoulos, K. P. Vadrevu, y C. Kalaitzidis, «Spectral angle mapper and object-based classification combined with hyperspectral remote sensing imagery for obtaining land use/cover mapping in a Mediterranean region», Geocarto Int., vol. 28, n.o 2, pp. 114-129, abr. 2013, doi: 10.1080/10106049.2012.668950.
P. Smith et al., «Global Change Pressures on Soils from Land Use and Management», Glob. Change Biol., vol. 22, pp. 1008-1028, mar. 2016, doi: 10.1111/gcb.13068
Convolutions Merging Network for Land Cover Classification», IEEE Trans. Geosci. Remote Sens., vol. 58, n.o 9, pp. 6309-6320, sep. 2020, doi: 10.1109/TGRS.2020.2976658.
H. Zhai et al., «Understanding Spatio-Temporal Patterns of Land Use/Land Cover Change under Urbanization in Wuhan, China, 2000–2019», Remote Sens., vol. 13, n.o 16, Art. n.o 16, ene. 2021, doi: 10.3390/rs13163331.
N. Kabisch, P. Selsam, T. Kirsten, A. Lausch, y J. Bumberger, «A multi-sensor and multi-temporal remote sensing approach to detect land cover change dynamics in heterogeneous urban landscapes», Ecol. Indic., vol. 99, pp. 273-282, abr. 2019, doi: 10.1016/j.ecolind.2018.12.033.
ESA, «Earth Online». https://earth.esa.int/eogateway (accedido 8 de junio de 2023).
E. Gidey, O. Dikinya, R. Sebego, E. Segosebe, y A. Zenebe, «Cellular automata and Markov Chain (CA_Markov) model-based predictions of future land use and land cover scenarios (2015–2033) in Raya, northern Ethiopia», Model. Earth Syst. Environ., vol. 3, n.o 4, pp. 1245-1262, dic. 2017, doi: 10.1007/s40808-017-0397-6.
R. Richter, U. Weingart, y T. Wever, «Urban Clutter Data for the Telecommunications Industry». 2018.
R. Hillson et al., «Estimating the size of urban populations using Landsat images: a case study of Bo, Sierra Leone, West Africa», Int. J. Health Geogr., vol. 18, n.o 1, p. 16, jul. 2019, doi: 10.1186/s12942-019-0180-1.
M. S. Regasa, M. Nones, y D. Adeba, «A Review on Land Use and Land Cover Change in Ethiopian Basins», Land, vol. 10, n.o 6, Art. n.o 6, jun. 2021, doi: 10.3390/land10060585.
J. Heaton, «Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning: The MIT Press, 2016, 800 pp, ISBN: 0262035618», Genet. Program. Evolvable Mach., vol. 19, oct. 2017, doi: 10.1007/s10710-017-9314-z.
T. M. Mitchell, Machine Learning. McGraw-Hill, 1997.
Y. LeCun, Y. Bengio, y G. Hinton, «Deep learning», Nature, vol. 521, n.o 7553, Art. n.o 7553, may 2015, doi: 10.1038/nature14539.
J. Schmidhuber, «Deep Learning in Neural Networks: An Overview», Neural Netw., vol. 61, pp. 85-117, ene. 2015, doi: 10.1016/j.neunet.2014.09.003.
M. Rimol y S. Alaybeyi, «Understand 3 Key Types of Machine Learning», Gartner. https://www.gartner.com/smarterwithgartner/understand-3-key-types-of-machine-learning (accedido 20 de junio de 2023).
J. Brownlee, «What Is Semi-Supervised Learning», MachineLearningMastery.com, 8 de abril de 2021. https://machinelearningmastery.com/what-is-semi-supervised-learning/ (accedido 20 de junio de 2023).
F. Chollet, «Deep Learning with Python», Manning Publications. https://www.manning.com/books/deep-learning-with-python (accedido 8 de junio de 2023).
A. Krizhevsky, I. Sutskever, y G. E. Hinton, «ImageNet classification with deep convolutional neural networks», Commun. ACM, vol. 60, n.o 6, pp. 84-90, may 2017, doi: 10.1145/3065386.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, y Z. Wojna, «Rethinking the Inception Architecture for Computer Vision». arXiv, 11 de diciembre de 2015. doi: 10.48550/arXiv.1512.00567.
«ImageNet Benchmark (Image Classification) | Papers With Code». https://paperswithcode.com/sota/image-classification-on-imagenet (accedido 8 de junio de 2023).
K. He, X. Zhang, S. Ren, y J. Sun, «Deep Residual Learning for Image Recognition». arXiv, 10 de diciembre de 2015. doi: 10.48550/arXiv.1512.03385.
Z. Liu et al., «Swin Transformer: Hierarchical Vision Transformer using Shifted Windows». arXiv, 17 de agosto de 2021. doi: 10.48550/arXiv.2103.14030.
A. J. Stewart, C. Robinson, I. A. Corley, A. Ortiz, J. M. Lavista Ferres, y A. Banerjee, «TorchGeo: Deep Learning With Geospatial Data», Proceedings of the 30th International Conference on Advances in Geographic Information Systems. en SIGSPATIAL ’22. Association for Computing Machinery, Seattle, Washington, pp. 1-12, noviembre de 2022. doi: 10.1145/3557915.3560953.
S. Sood, H. Singh, M. Malarvel, y R. Ahuja, «Significance and Limitations of Deep Neural Networks for Image Classification and Object Detection», en 2021 2nd International Conference on Smart Electronics and Communication (ICOSEC), oct. 2021, pp. 1453-1460. doi: 10.1109/ICOSEC51865.2021.9591759.
S. Mukherjee, «The Annotated ResNet-50. Explaining how ResNet-50 works and why». https://towardsdatascience.com/the-annotated-resnet-50-a6c536034758 (accedido 20 de junio de 2023).
A. Dosovitskiy et al., «An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale». arXiv, 3 de junio de 2021. doi: 10.48550/arXiv.2010.11929.
J. Loy, «A Comprehensive Guide to Microsoft’s Swin Transformer», Medium, 2 de agosto de 2022. https://towardsdatascience.com/a-comprehensive-guide-to-swin-transformer-64965f89d14c (accedido 12 de junio de 2023).
Y. Wang y A. Stewart, «SSL4EO-S12 Dataset». Zhu Lab, 5 de junio de 2023. Accedido: 9 de junio de 2023. [En línea]. Disponible en: https://github.com/zhu-xlab/SSL4EO-S12
Andrew Ng, «Transfer Learning», Nerd For Tech, 25 de febrero de 2021. https://medium.com/nerd-for-tech/transfer-learning-7914c6ab2b56 (accedido 12 de junio de 2023).
J. Yosinski, J. Clune, Y. Bengio, y H. Lipson, «How transferable are features in deep neural networks?» arXiv, 6 de noviembre de 2014. doi: 10.48550/arXiv.1411.1792.
M. Long, Y. Cao, J. Wang, y M. I. Jordan, «Learning Transferable Features with Deep Adaptation Networks». arXiv, 27 de mayo de 2015. doi: 10.48550/arXiv.1502.02791.
integrate.ai, «Transfer Learning Explained», the integrate.ai blog, 12 de septiembre de 2018. https://medium.com/the-official-integrate-ai-blog/transfer-learning-explained-7d275c1e34e2 (accedido 20 de junio de 2023).
W. M. Kouw y M. Loog, «An introduction to domain adaptation and transfer learning». arXiv, 14 de enero de 2019. doi: 10.48550/arXiv.1812.11806.
Z. Wang, Z. Dai, B. Poczos, y J. Carbonell, «Characterizing and Avoiding Negative Transfer», en 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA: IEEE, jun. 2019, pp. 11285-11294. doi: 10.1109/CVPR.2019.01155.
Z. Ke, B. Liu, N. Ma, H. Xu, y L. Shu, «Achieving Forgetting Prevention and Knowledge Transfer in Continual Learning». arXiv, 5 de diciembre de 2021. doi: 10.48550/arXiv.2112.02706.
J. Lin, R. Ward, y Z. J. Wang, «Deep Transfer Learning for Hyperspectral Image Classification», en 2018 IEEE 20th International Workshop on Multimedia Signal Processing (MMSP), ago. 2018, pp. 1-5. doi: 10.1109/MMSP.2018.8547139.
GSMA y Coleago Consulting, «Estimating-Mid-Band-Spectrum-Needs.pdf», 2021. Accedido: 13 de noviembre de 2022. [En línea]. Disponible en: https://www.gsma.com/spectrum/wp-content/uploads/2021/07/Estimating-Mid-Band-Spectrum-Needs.pdf
DANE, «Geoportal DANE - Descarga del Marco Geoestadistico Nacional (MGN)». https://geoportal.dane.gov.co/servicios/descarga-y-metadatos/descarga-mgn-marco-geoestadistico-nacional/ (accedido 12 de junio de 2023).
PyTorch, «Models and pre-trained weights — Torchvision 0.15 documentation». Linux Foundation, 2017. Accedido: 12 de junio de 2023. [En línea]. Disponible en: https://pytorch.org/vision/stable/models.html
M. L. Casado, «geotorch: Constrained Optimization and Manifold Optimization in Pytorch». Accedido: 8 de junio de 2023. [OS Independent]. Disponible en: https://github.com/Lezcano/geotorch
W. Webb, «The 5G Myth: When Vision Decoupled from Reality», en The 5G Myth, De|G Press, 2018. doi: 10.1515/9781547401185.
B. Anass, K. Koshiro, y A. Hiroyuki, «IMT-2020 Radio Interface Standardization Trends in ITU-R», NTT DOCOMO Tech. J. Vol 19 No3, pp. 55-63, ene. 2018.
E. Mohyeldin, «Minimum Technical Performance Requirements for IMT-2020 radio interface(s)», 2016.
Ericsson, «Ericsson Mobility Report». noviembre de 2016. Accedido: 21 de agosto de 2023. [En línea]. Disponible en: https://displaydaily.com/wp-content/uploads/2016/11/ericsson-mobility-report-november-2016.pdf
Peter, «Fraunhofer Lighthouse Project “Cognitive Agriculture (COGNAC)” - Fraunhofer IESE». https://www.iese.fraunhofer.de/en/project/cognitive-agriculture.html (accedido 21 de agosto de 2023).
Iberdrola, «Smart Farming y Agricultura de Precisión - Iberdrola». https://www.iberdrola.com/innovacion/smart-farming-agricultura-precision (accedido 21 de agosto de 2023).
World Bank Group, «Climate-Smart Agriculture», World Bank. https://www.worldbank.org/en/topic/climate-smart-agriculture (accedido 21 de agosto de 2023).
Desamis, «U-motion® - Monitor your herd’s behavior». http://desamis.co.jp/en/ (accedido 21 de agosto de 2023).
W. Knight, «Amazon’s New Robots Are Rolling Out an Automation Revolution», WIRED, 26 de junio de 2023. Accedido: 21 de agosto de 2023. [En línea]. Disponible en: https://www.wired.com/story/amazons-new-robots-automation-revolution/
dc.source.instname.none.fl_str_mv instname:Universidad del Rosario
dc.source.reponame.spa.fl_str_mv reponame:Repositorio Institucional EdocUR
bitstream.url.fl_str_mv https://repository.urosario.edu.co/bitstreams/3436f020-cc86-4784-babd-72f863d8b4ec/download
https://repository.urosario.edu.co/bitstreams/9b8fb017-2600-41a5-a4ce-824abdbb4c1d/download
https://repository.urosario.edu.co/bitstreams/b9b1afc0-510a-4c34-af94-9ba65fa7df46/download
https://repository.urosario.edu.co/bitstreams/4a1880a5-ca7a-45a5-a702-25c2ef41cbee/download
bitstream.checksum.fl_str_mv 18def96b4c8416edd4902e68516f970c
b2825df9f458e9d5d96ee8b7cd74fde6
469b81e72423f4f19c318b37e566fecf
e0f6d7f2d42f09fefce2f720271e746c
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional EdocUR
repository.mail.fl_str_mv edocur@urosario.edu.co
_version_ 1808390969186320384
spelling Jiménez Hernández, Mario Fernando5820750600Sarmiento Henriquez, Alex FelipeHenao Parra, Juan SebastiánMagíster en Matemáticas Aplicadas y Ciencias de la ComputaciónFull time8787e673-45a0-483b-980a-d168faa95efd-1567ce23a-0917-4a21-8e95-68972fbdd39b-12023-09-18T19:37:45Z2023-09-18T19:37:45Z2023-08-01Los sistemas de comunicaciones móviles, también conocidos como Telecomunicaciones Móviles Internacionales (IMT), se han convertido en parte integrante de nuestra vida cotidiana y prestan diversos servicios de telecomunicaciones que contribuyen significativamente al bienestar social. Históricamente, estos sistemas se han centrado en las necesidades de voz y banda ancha. Sin embargo, con la llegada de la 5G, los objetivos se han ampliado significativamente para abarcar un espectro más amplio de aplicaciones, incluidas las adaptadas a las necesidades industriales y al Internet de las Cosas (IoT). Aunque existen metodologías y recomendaciones internacionales para orientar el desarrollo de estos sistemas, a menudo se quedan cortas a la hora de identificar las necesidades únicas de la 5G. Los métodos de estimación tradicionales utilizan datos históricos sobre población y tráfico, pero pasan por alto las nuevas posibilidades que permite la 5G, como la comunicación ultra fiable y de baja latencia y el Internet de las cosas (IoT). El resultado son graves limitaciones en la estimación de la demanda potencial de tráfico para las redes 5G. Este trabajo introduce un enfoque novedoso, utilizando técnicas de teledetección y aprendizaje profundo, en concreto métodos de uso y cobertura del suelo, para comprender el contexto geográfico. Estas técnicas ofrecen una estimación detallada de las características geográficas mediante la medición remota de la radiación electromagnética reflejada y emitida. La integración del aprendizaje profundo para el procesamiento de imágenes añade aún más valor, ya que estos algoritmos han demostrado su éxito en la clasificación, segmentación, detección de objetos, restauración y mejora de imágenes. Adicionalmente, se pretende aplicar estas técnicas utilizando la base de datos de imágenes EuroSat, para mejorar el proceso de planificación de las tecnologías 5G en Colombia. El objetivo es incluir características geográficas en la planeación del despliegue, inferir casos de uso potenciales y mejorar significativamente los análisis de demanda, valoración, factibilidad y otros aspectos necesarios para el desarrollo de 5G.Mobile communication systems, also called International Mobile Telecommunications (IMT), have become integral to our daily lives, furnishing diverse telecom services that contribute significantly to social welfare. These systems have historically centred around voice and broadband needs. However, with the advent of 5G, the objectives have expanded significantly to encompass a broader spectrum of applications, including those tailored to industrial needs and the Internet of Things (IoT). While methodologies and international recommendations exist to guide the development of these systems, they often fall short of identifying the unique needs of 5G. Traditional estimation methods use historical data on population and traffic, but they overlook new possibilities enabled by 5G, such as ultra-reliable, low-latency communication and the Internet of Things (IoT). This results in serious limitations in estimating the potential traffic demand for 5G networks. This study introduces a novel approach, utilising Remote Sensing techniques, specifically Land Use and Land Cover methods, to understand the geographical context. These techniques offer a detailed estimation of geographical characteristics by remotely measuring reflected and emitted electromagnetic radiation. Integrating deep learning for image processing further adds value, as these algorithms have proven successful in classification, segmentation, object detection, image restoration, and enhancement. The work proposes applying these techniques, using the EuroSat image database, to enhance the planning process for 5G technologies in Colombia. The objective is to include geographical characteristics in the deployment planning, infer potential use cases, and significantly improve the analyses of demand, valuation, feasibility, and other necessary aspects for 5G development.67application/pdfhttps://doi.org/10.48713/10336_40988 https://repository.urosario.edu.co/handle/10336/40988spaUniversidad del RosarioEscuela de Ingeniería, Ciencia y TecnologíaMaestría en Matemáticas Aplicadas y Ciencias de la ComputaciónAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2X. Lin, «An Overview of 5G Advanced Evolution in 3GPP Release 18», ene. 2021H. Holma, A. Toskala, y T. Nakamura, 5G Technology: 3GPP New Radio | Wiley. Accedido: 19 de junio de 2023. [En línea]. Disponible en: https://www.wiley.com/en-us/5G+Technology%3A+3GPP+New+Radio-p-9781119236290ITU, «5G - Fifth generation of mobile technologies», ITU. https://www.itu.int:443/en/mediacentre/backgrounders/Pages/5G-fifth-generation-of-mobile-technologies.aspx (accedido 19 de junio de 2023).ITU, «ITU towards “IMT for 2020 and beyond”». https://www.itu.int/en/ITU-R/study-groups/rsg5/rwp5d/imt-2020/Pages/default.aspx (accedido 19 de noviembre de 2022).ITU, «IMT-2020 BACKGROUND». Accedido: 19 de junio de 2023. [En línea]. Disponible en: https://www.itu.int/en/ITU-R/study-groups/rsg5/rwp5d/imt-2020/Documents/060R1e.pdfM. Contento, «Massive IoT and 5G: What’s Next for Large-Scale Cellular IoT», Telit, 9 de septiembre de 2022. https://www.telit.com/blog/massive-iot-5g-whats-next/ (accedido 13 de noviembre de 2022).CISCO, «What Is Low Latency? Ultra-low Latency Use Cases», Cisco, 13 de noviembre de 2022. https://www.cisco.com/c/en/us/solutions/data-center/data-center-networking/what-is-low-latency.html (accedido 13 de noviembre de 2022).C. Kim, «5G and Massive IoT: legacy technologies will bridge the gap for now :: Omdia», 13 de noviembre de 2022. https://omdia.tech.informa.com/OM004695/5G-and-Massive-IoT-legacy-technologies-will-bridge-the-gap-for-now (accedido 13 de noviembre de 2022).D. Schulz, «5G for digital industries | ABB», News, 13 de noviembre de 2022. https://new.abb.com/news/detail/74698/5g-for-digital-industries (accedido 13 de noviembre de 2022).ITU-R, «Future spectrum requirements estimate for terrestrial IMT (M. 2290-0)», 2013.NASA, «Data | Landsat Science», 30 de noviembre de 2021. https://landsat.gsfc.nasa.gov/data/ (accedido 19 de junio de 2023).P. Helber, B. Bischke, A. Dengel, y D. Borth, «EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover Classification». Zenodo, Valencia, Spain, 22 de julio de 2018. doi: 10.5281/zenodo.7711810.Y. Grinberger, M. Minghini, L. Juhász, y G. Yeboah, «The Academic Study of the OpenStreetMap Project, Data, Contributors, Community, and Applications», mar. 2022, Accedido: 20 de junio de 2023. [En línea]. Disponible en: https://www.researchgate.net/publication/359625703_OSM_Science-The_Academic_Study_of_the_OpenStreetMap_Project_Data_Contributors_Community_and_ApplicationsNIREOS, «What Is Hyperspectral Imaging?» https://www.nireos.com/hyperspectral-imaging/ (accedido 13 de noviembre de 2022).N. Erdogan, E. Nurlu, A. Guvensen, y Ü. Erdem, «Land use/land cover change detection for environmental monitoring in Turkey: A case study in Karaburun Peninsula», J. Environ. Prot. Ecol., vol. 16, pp. 252-263, ene. 2015.A. Chatziantoniou, E. Psomiadis, y G. P. Petropoulos, «Co-Orbital Sentinel 1 and 2 for LULC Mapping with Emphasis on Wetlands in a Mediterranean Setting Based on Machine Learning», Remote Sens., vol. 9, n.o 12, Art. n.o 12, dic. 2017, doi: 10.3390/rs9121259.P. Fisher, A. Comber, y R. Wadsworth, «Land use and land cover: contradiction or complement», 2005, pp. 85-98.P. C. Pandey, N. Koutsias, G. P. Petropoulos, P. K. Srivastava, y E. Ben Dor, «Land use/land cover in view of earth observation: data sources, input dimensions, and classifiers—a review of the state of the art», Geocarto Int., vol. 36, n.o 9, Art. n.o 9, may 2021, doi: 10.1080/10106049.2019.1629647.A. Whyte, K. P. Ferentinos, y G. P. Petropoulos, «A new synergistic approach for monitoring wetlands using Sentinels -1 and 2 data with object-based machine learning algorithms», Environ. Model. Softw., vol. 104, pp. 40-54, jun. 2018, doi: 10.1016/j.envsoft.2018.01.023.W. L. Stefanov, M. S. Ramsey, y P. R. Christensen, «Monitoring urban land cover change: An expert system approach to land cover classification of semiarid to arid urban centers», Remote Sens. Environ., vol. 77, n.o 2, pp. 173-185, ago. 2001, doi: 10.1016/S0034-4257(01)00204-8.G. P. Petropoulos, K. P. Vadrevu, y C. Kalaitzidis, «Spectral angle mapper and object-based classification combined with hyperspectral remote sensing imagery for obtaining land use/cover mapping in a Mediterranean region», Geocarto Int., vol. 28, n.o 2, pp. 114-129, abr. 2013, doi: 10.1080/10106049.2012.668950.P. Smith et al., «Global Change Pressures on Soils from Land Use and Management», Glob. Change Biol., vol. 22, pp. 1008-1028, mar. 2016, doi: 10.1111/gcb.13068Convolutions Merging Network for Land Cover Classification», IEEE Trans. Geosci. Remote Sens., vol. 58, n.o 9, pp. 6309-6320, sep. 2020, doi: 10.1109/TGRS.2020.2976658.H. Zhai et al., «Understanding Spatio-Temporal Patterns of Land Use/Land Cover Change under Urbanization in Wuhan, China, 2000–2019», Remote Sens., vol. 13, n.o 16, Art. n.o 16, ene. 2021, doi: 10.3390/rs13163331.N. Kabisch, P. Selsam, T. Kirsten, A. Lausch, y J. Bumberger, «A multi-sensor and multi-temporal remote sensing approach to detect land cover change dynamics in heterogeneous urban landscapes», Ecol. Indic., vol. 99, pp. 273-282, abr. 2019, doi: 10.1016/j.ecolind.2018.12.033.ESA, «Earth Online». https://earth.esa.int/eogateway (accedido 8 de junio de 2023).E. Gidey, O. Dikinya, R. Sebego, E. Segosebe, y A. Zenebe, «Cellular automata and Markov Chain (CA_Markov) model-based predictions of future land use and land cover scenarios (2015–2033) in Raya, northern Ethiopia», Model. Earth Syst. Environ., vol. 3, n.o 4, pp. 1245-1262, dic. 2017, doi: 10.1007/s40808-017-0397-6.R. Richter, U. Weingart, y T. Wever, «Urban Clutter Data for the Telecommunications Industry». 2018.R. Hillson et al., «Estimating the size of urban populations using Landsat images: a case study of Bo, Sierra Leone, West Africa», Int. J. Health Geogr., vol. 18, n.o 1, p. 16, jul. 2019, doi: 10.1186/s12942-019-0180-1.M. S. Regasa, M. Nones, y D. Adeba, «A Review on Land Use and Land Cover Change in Ethiopian Basins», Land, vol. 10, n.o 6, Art. n.o 6, jun. 2021, doi: 10.3390/land10060585.J. Heaton, «Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning: The MIT Press, 2016, 800 pp, ISBN: 0262035618», Genet. Program. Evolvable Mach., vol. 19, oct. 2017, doi: 10.1007/s10710-017-9314-z.T. M. Mitchell, Machine Learning. McGraw-Hill, 1997.Y. LeCun, Y. Bengio, y G. Hinton, «Deep learning», Nature, vol. 521, n.o 7553, Art. n.o 7553, may 2015, doi: 10.1038/nature14539.J. Schmidhuber, «Deep Learning in Neural Networks: An Overview», Neural Netw., vol. 61, pp. 85-117, ene. 2015, doi: 10.1016/j.neunet.2014.09.003.M. Rimol y S. Alaybeyi, «Understand 3 Key Types of Machine Learning», Gartner. https://www.gartner.com/smarterwithgartner/understand-3-key-types-of-machine-learning (accedido 20 de junio de 2023).J. Brownlee, «What Is Semi-Supervised Learning», MachineLearningMastery.com, 8 de abril de 2021. https://machinelearningmastery.com/what-is-semi-supervised-learning/ (accedido 20 de junio de 2023).F. Chollet, «Deep Learning with Python», Manning Publications. https://www.manning.com/books/deep-learning-with-python (accedido 8 de junio de 2023).A. Krizhevsky, I. Sutskever, y G. E. Hinton, «ImageNet classification with deep convolutional neural networks», Commun. ACM, vol. 60, n.o 6, pp. 84-90, may 2017, doi: 10.1145/3065386.C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, y Z. Wojna, «Rethinking the Inception Architecture for Computer Vision». arXiv, 11 de diciembre de 2015. doi: 10.48550/arXiv.1512.00567.«ImageNet Benchmark (Image Classification) | Papers With Code». https://paperswithcode.com/sota/image-classification-on-imagenet (accedido 8 de junio de 2023).K. He, X. Zhang, S. Ren, y J. Sun, «Deep Residual Learning for Image Recognition». arXiv, 10 de diciembre de 2015. doi: 10.48550/arXiv.1512.03385.Z. Liu et al., «Swin Transformer: Hierarchical Vision Transformer using Shifted Windows». arXiv, 17 de agosto de 2021. doi: 10.48550/arXiv.2103.14030.A. J. Stewart, C. Robinson, I. A. Corley, A. Ortiz, J. M. Lavista Ferres, y A. Banerjee, «TorchGeo: Deep Learning With Geospatial Data», Proceedings of the 30th International Conference on Advances in Geographic Information Systems. en SIGSPATIAL ’22. Association for Computing Machinery, Seattle, Washington, pp. 1-12, noviembre de 2022. doi: 10.1145/3557915.3560953.S. Sood, H. Singh, M. Malarvel, y R. Ahuja, «Significance and Limitations of Deep Neural Networks for Image Classification and Object Detection», en 2021 2nd International Conference on Smart Electronics and Communication (ICOSEC), oct. 2021, pp. 1453-1460. doi: 10.1109/ICOSEC51865.2021.9591759.S. Mukherjee, «The Annotated ResNet-50. Explaining how ResNet-50 works and why». https://towardsdatascience.com/the-annotated-resnet-50-a6c536034758 (accedido 20 de junio de 2023).A. Dosovitskiy et al., «An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale». arXiv, 3 de junio de 2021. doi: 10.48550/arXiv.2010.11929.J. Loy, «A Comprehensive Guide to Microsoft’s Swin Transformer», Medium, 2 de agosto de 2022. https://towardsdatascience.com/a-comprehensive-guide-to-swin-transformer-64965f89d14c (accedido 12 de junio de 2023).Y. Wang y A. Stewart, «SSL4EO-S12 Dataset». Zhu Lab, 5 de junio de 2023. Accedido: 9 de junio de 2023. [En línea]. Disponible en: https://github.com/zhu-xlab/SSL4EO-S12Andrew Ng, «Transfer Learning», Nerd For Tech, 25 de febrero de 2021. https://medium.com/nerd-for-tech/transfer-learning-7914c6ab2b56 (accedido 12 de junio de 2023).J. Yosinski, J. Clune, Y. Bengio, y H. Lipson, «How transferable are features in deep neural networks?» arXiv, 6 de noviembre de 2014. doi: 10.48550/arXiv.1411.1792.M. Long, Y. Cao, J. Wang, y M. I. Jordan, «Learning Transferable Features with Deep Adaptation Networks». arXiv, 27 de mayo de 2015. doi: 10.48550/arXiv.1502.02791.integrate.ai, «Transfer Learning Explained», the integrate.ai blog, 12 de septiembre de 2018. https://medium.com/the-official-integrate-ai-blog/transfer-learning-explained-7d275c1e34e2 (accedido 20 de junio de 2023).W. M. Kouw y M. Loog, «An introduction to domain adaptation and transfer learning». arXiv, 14 de enero de 2019. doi: 10.48550/arXiv.1812.11806.Z. Wang, Z. Dai, B. Poczos, y J. Carbonell, «Characterizing and Avoiding Negative Transfer», en 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA: IEEE, jun. 2019, pp. 11285-11294. doi: 10.1109/CVPR.2019.01155.Z. Ke, B. Liu, N. Ma, H. Xu, y L. Shu, «Achieving Forgetting Prevention and Knowledge Transfer in Continual Learning». arXiv, 5 de diciembre de 2021. doi: 10.48550/arXiv.2112.02706.J. Lin, R. Ward, y Z. J. Wang, «Deep Transfer Learning for Hyperspectral Image Classification», en 2018 IEEE 20th International Workshop on Multimedia Signal Processing (MMSP), ago. 2018, pp. 1-5. doi: 10.1109/MMSP.2018.8547139.GSMA y Coleago Consulting, «Estimating-Mid-Band-Spectrum-Needs.pdf», 2021. Accedido: 13 de noviembre de 2022. [En línea]. Disponible en: https://www.gsma.com/spectrum/wp-content/uploads/2021/07/Estimating-Mid-Band-Spectrum-Needs.pdfDANE, «Geoportal DANE - Descarga del Marco Geoestadistico Nacional (MGN)». https://geoportal.dane.gov.co/servicios/descarga-y-metadatos/descarga-mgn-marco-geoestadistico-nacional/ (accedido 12 de junio de 2023).PyTorch, «Models and pre-trained weights — Torchvision 0.15 documentation». Linux Foundation, 2017. Accedido: 12 de junio de 2023. [En línea]. Disponible en: https://pytorch.org/vision/stable/models.htmlM. L. Casado, «geotorch: Constrained Optimization and Manifold Optimization in Pytorch». Accedido: 8 de junio de 2023. [OS Independent]. Disponible en: https://github.com/Lezcano/geotorchW. Webb, «The 5G Myth: When Vision Decoupled from Reality», en The 5G Myth, De|G Press, 2018. doi: 10.1515/9781547401185.B. Anass, K. Koshiro, y A. Hiroyuki, «IMT-2020 Radio Interface Standardization Trends in ITU-R», NTT DOCOMO Tech. J. Vol 19 No3, pp. 55-63, ene. 2018.E. Mohyeldin, «Minimum Technical Performance Requirements for IMT-2020 radio interface(s)», 2016.Ericsson, «Ericsson Mobility Report». noviembre de 2016. Accedido: 21 de agosto de 2023. [En línea]. Disponible en: https://displaydaily.com/wp-content/uploads/2016/11/ericsson-mobility-report-november-2016.pdfPeter, «Fraunhofer Lighthouse Project “Cognitive Agriculture (COGNAC)” - Fraunhofer IESE». https://www.iese.fraunhofer.de/en/project/cognitive-agriculture.html (accedido 21 de agosto de 2023).Iberdrola, «Smart Farming y Agricultura de Precisión - Iberdrola». https://www.iberdrola.com/innovacion/smart-farming-agricultura-precision (accedido 21 de agosto de 2023).World Bank Group, «Climate-Smart Agriculture», World Bank. https://www.worldbank.org/en/topic/climate-smart-agriculture (accedido 21 de agosto de 2023).Desamis, «U-motion® - Monitor your herd’s behavior». http://desamis.co.jp/en/ (accedido 21 de agosto de 2023).W. Knight, «Amazon’s New Robots Are Rolling Out an Automation Revolution», WIRED, 26 de junio de 2023. Accedido: 21 de agosto de 2023. [En línea]. Disponible en: https://www.wired.com/story/amazons-new-robots-automation-revolution/instname:Universidad del Rosarioreponame:Repositorio Institucional EdocUR5GIMTImagenes SatelitalesEUROSATRemote SensingProcesamiento de imágenes satelitales a través de algoritmos de aprendizaje profundo, uso del suelo y cobertura terrestre para la estimación de la demanda de tráfico 5GSatellite image processing through deep learning, land use and land cover algorithms for 5G traffic demand estimationbachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de Ingeniería, Ciencia y TecnologíaORIGINALProcesamiento-de-imágenes-a-través-de-algoritmos-5G.pdfProcesamiento-de-imágenes-a-través-de-algoritmos-5G.pdfapplication/pdf1538037https://repository.urosario.edu.co/bitstreams/3436f020-cc86-4784-babd-72f863d8b4ec/download18def96b4c8416edd4902e68516f970cMD51LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/9b8fb017-2600-41a5-a4ce-824abdbb4c1d/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD52TEXTProcesamiento-de-imágenes-a-través-de-algoritmos-5G.pdf.txtProcesamiento-de-imágenes-a-través-de-algoritmos-5G.pdf.txtExtracted texttext/plain102039https://repository.urosario.edu.co/bitstreams/b9b1afc0-510a-4c34-af94-9ba65fa7df46/download469b81e72423f4f19c318b37e566fecfMD53THUMBNAILProcesamiento-de-imágenes-a-través-de-algoritmos-5G.pdf.jpgProcesamiento-de-imágenes-a-través-de-algoritmos-5G.pdf.jpgGenerated Thumbnailimage/jpeg3259https://repository.urosario.edu.co/bitstreams/4a1880a5-ca7a-45a5-a702-25c2ef41cbee/downloade0f6d7f2d42f09fefce2f720271e746cMD5410336/40988oai:repository.urosario.edu.co:10336/409882023-09-21 07:18:59.402https://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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

Publicaciones similares