Clasificación Litológica en Afloramientos de Rocas Mediante Técnicas de Aprendizaje Automático Usando Imágenes Satelitales

de imágenes de satélite, supone un gran avance en el estudio de la superficie de la tierra; debido a la heterogeneidad de las estructuras rocosas y las dificultades asociadas a cambios abruptos de topografía, la clasificación convencional tiene un gran componente subjetivo, que en ocasiones puede afectar la precisión del proceso. El objetivo de usar aprendizaje de máquinas para hacer clasificación litología es generar una herramienta que asista el proceso de clasificación y así mejorar los aspectos que puedan limitar los resultados, como suelen ser, optimizar el tiempo de procesamiento, mejorar la precisión de la clasificación, procesar bases de datos más voluminosas (imágenes con mayor resolución espectral y espacial) y cubrir ´áreas de estudio más extensas. La metodología está desarrollada sobre la plataforma de análisis geoespacial con procesamiento en la nube Google Earth Engine (GEE) y está implementada en cuatro fases principales; la primera es generar variables adicionales para el modelo de clasificación supervisada, mediante técnicas estadísticas de transformación de imagen y mejora espectral, como el cálculo de ´índices espectrales geológicos y el análisis de componentes principales (PCA), así como incorporar información topográfica mediante la adición del modelo digital de terrero (DEM) y agregando datos de textura por medio de la matriz de coocurrencia de nivel de grises (GLMC), también se incorporan los resultados del algoritmo de clasificación no supervisada K-means como una variable predictora. La segunda fase consiste en entrenar los algoritmos de aprendizaje supervisado Ramdon Forest (RF), Support Vector Machine (SVM), Classification and Regression Trees (CART), Mini mum Distance (MD) y Naive Bayes (NB) teniendo en cuenta las variables generadas en la primera fase junto información de referencia de campo o Ground Thruth, para reproducir varios modelos de clasificación de los cuales, en la tercera fase, se elige el que produzca mejores métricas de desempeño, generando un modelo de clasificación confiable que en una ´ultima fase se reproduce sobre una zona de superficie con características y litología desconocidas, aportando así información de base para realizar cartografía geológica sin haber requerido presencia de personal in situ.

• Autores: Rodríguez Arias, Elizabeth
• Tipo de recurso: Masters Thesis
• Fecha de publicación: 2024
• Institución: Universidad Santo Tomás
• Repositorio: Universidad Santo Tomás
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/53740
• Acceso en línea: http://hdl.handle.net/11634/53740
• Palabra clave: Remote Sensing; Machine Learning; Algorithm; Lithology; Spectral Resolution; Reflectance; Estadística Aplicada; Aprendizaje; Tierra-Superficie; Teledección; Litología; Banda Espectral; Reflectancia
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia