Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales
En los últimos años el Deep Learning, un subcampo de la inteligencia artificial ha venido tomando fuerza dado a los avances tecnológicos, dentro de los diferentes algoritmos se tienen las redes neuronales convolucionales (CNN) las cuales han sido ampliamente utilizadas en la clasificación de imágene...
- Autores:
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Distrital Francisco José de Caldas
- Repositorio:
- RIUD: repositorio U. Distrital
- Idioma:
- spa
- OAI Identifier:
- oai:repository.udistrital.edu.co:11349/29098
- Acceso en línea:
- http://hdl.handle.net/11349/29098
- Palabra clave:
- Inteligencia artificial
Corine Land Cover
Imágenes SAR
Deep learning
Redes neuronales convolucionales
Redes neuronales
Ingeniería Catastral y Geodesia - Tesis y disertaciones académicas
Imágenes de radar
Metodología Corine Land Cover
Redes neuronales convolucionales
Inteligencia artificial
Artificial intelligence
Corine Land Cover
SAR images
Deep learning
Convolutional neural networks
Neural networks
- Rights
- License
- Atribución 4.0 Internacional
Summary: | En los últimos años el Deep Learning, un subcampo de la inteligencia artificial ha venido tomando fuerza dado a los avances tecnológicos, dentro de los diferentes algoritmos se tienen las redes neuronales convolucionales (CNN) las cuales han sido ampliamente utilizadas en la clasificación de imágenes y detección de objetos. En el proyecto se utilizaron en estas redes imágenes satelitales más en específico imágenes de radar de apertura sintética, las cuales dan la ventaja de que podemos obtener fotografías de la superficie independientemente de las condiciones atmosféricas. Se entreno una red mediante imágenes clasificadas según “CORINE Land Cover” (CLC) adaptada para Colombia de diferentes zonas del país obtenidas a partir de imágenes de Sentinel-1. Debido a las limitaciones de la red originalmente planteada se escalaron los datos a valores de 0 a 255 y se utilizó la arquitectura de RestNet50, obteniendo accuracy de 87.9% y 82.9% para el nivel 1 y 2 de CLC respectivamente. En total se utilizaron 9 categorías de las 15 originales del nivel 2 de CLC dado la falta de datos de entrenamiento para ciertas categorías, esto representa limitaciones a nivel de la cantidad de datos que requieren las CNN. Sin embargo, se puede suponer que con mayor cantidad de datos para entrenamiento las métricas y la cantidad de coberturas puede aumentar, lo que muestra un potencial de las técnicas para una futura implementación en la clasificación y obtención de mapas de cobertura terrestre. |
---|