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
id |
UDISTRITA2_55e8058c38f2b2cb667e55e333003bf2 |
---|---|
oai_identifier_str |
oai:repository.udistrital.edu.co:11349/29098 |
network_acronym_str |
UDISTRITA2 |
network_name_str |
RIUD: repositorio U. Distrital |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales |
dc.title.titleenglish.spa.fl_str_mv |
Convolutional neural networks for SAR image classification aplying Corine Land Cover adapted for Colombia |
title |
Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales |
spellingShingle |
Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales 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 |
title_short |
Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales |
title_full |
Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales |
title_fullStr |
Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales |
title_full_unstemmed |
Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales |
title_sort |
Clasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionales |
dc.contributor.advisor.none.fl_str_mv |
Vera Parra, Nelson Enrique |
dc.subject.spa.fl_str_mv |
Inteligencia artificial Corine Land Cover Imágenes SAR Deep learning Redes neuronales convolucionales Redes neuronales |
topic |
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 |
dc.subject.lemb.spa.fl_str_mv |
Ingeniería Catastral y Geodesia - Tesis y disertaciones académicas Imágenes de radar Metodología Corine Land Cover Redes neuronales convolucionales Inteligencia artificial |
dc.subject.keyword.spa.fl_str_mv |
Artificial intelligence Corine Land Cover SAR images Deep learning Convolutional neural networks Neural networks |
description |
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. |
publishDate |
2021 |
dc.date.created.none.fl_str_mv |
2021-06-11 |
dc.date.accessioned.none.fl_str_mv |
2022-05-24T20:20:49Z |
dc.date.available.none.fl_str_mv |
2022-05-24T20:20:49Z |
dc.type.degree.spa.fl_str_mv |
Monografía |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11349/29098 |
url |
http://hdl.handle.net/11349/29098 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.*.fl_str_mv |
Atribución 4.0 Internacional |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
dc.rights.acceso.spa.fl_str_mv |
Abierto (Texto Completo) |
rights_invalid_str_mv |
Atribución 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
dc.format.mimetype.spa.fl_str_mv |
pdf |
institution |
Universidad Distrital Francisco José de Caldas |
bitstream.url.fl_str_mv |
http://repository.udistrital.edu.co/bitstream/11349/29098/6/license.txt http://repository.udistrital.edu.co/bitstream/11349/29098/1/RodriguezBaqueroWilsonCamilo2021.pdf http://repository.udistrital.edu.co/bitstream/11349/29098/2/Licencia%20y%20autorizaci%c3%b3n%20de%20los%20autores%20para%20publicar.pdf http://repository.udistrital.edu.co/bitstream/11349/29098/5/license_rdf http://repository.udistrital.edu.co/bitstream/11349/29098/7/RodriguezBaqueroWilsonCamilo2021.pdf.jpg http://repository.udistrital.edu.co/bitstream/11349/29098/8/Licencia%20y%20autorizaci%c3%b3n%20de%20los%20autores%20para%20publicar.pdf.jpg |
bitstream.checksum.fl_str_mv |
997daf6c648c962d566d7b082dac908d 86105bd10b94c0f21dd776e5a464d48d e602f5f881ccb53c87680b0f1aba107c 1608e658af296c3febc577e957e919bf c35cac2e30d6f061f094ba9eebfa15e9 288b1aa290a23eae637ebfc17cc060e3 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad Distrital - RIUD |
repository.mail.fl_str_mv |
repositorio@udistrital.edu.co |
_version_ |
1814111434105159680 |
spelling |
Vera Parra, Nelson EnriqueMartín Bernal, Raúl CamiloRodríguez Baquero, Wilson Camilo2022-05-24T20:20:49Z2022-05-24T20:20:49Z2021-06-11http://hdl.handle.net/11349/29098En 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.In recent years Deep Learning, a field of the Artificial Intelligence has come gaining in strength with the advances in technology, inside their different algorithms there the Convolutional Neural Networks (CNN) which are widely used in image classification and object detection. In this paper we use this network with Synthetic Aperture Radar Satellital Images that have the capacity of obtain land photographs independent of atmospheric conditions. We trained this network with classified images applying "CORINE Land Cover" (CLC) adapted to Colombia in some specific country zones using Sentinel-1 Images. Due Limitations with the first designed network, the data was scaled between 0 - 255 values and we used the "RestNet50" architecture, achieving accuracy of 87.9% and 82.9% for CLC level 1 and 2 respectively. In total were used 9 of 15 categories of level 2 CLC, given to the lack of training examples of certain categories, this represent the limitations of the amount of data required by the CNN. Notwithstanding of this limitations, it can be assumed that with more amount of data for training, metric and quantity of covers can increase, this shows great potential for the future application of these techniques in classification and maps creation of the land coverage.pdfspaAtribución 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/Abierto (Texto Completo)http://purl.org/coar/access_right/c_abf2Inteligencia artificialCorine Land CoverImágenes SARDeep learningRedes neuronales convolucionalesRedes neuronalesIngeniería Catastral y Geodesia - Tesis y disertaciones académicasImágenes de radarMetodología Corine Land CoverRedes neuronales convolucionalesInteligencia artificialArtificial intelligenceCorine Land CoverSAR imagesDeep learningConvolutional neural networksNeural networksClasificación de imágenes de radar de apertura sintética aplicando Corine Land Cover adaptada para Colombia mediante redes neuronales convolucionalesConvolutional neural networks for SAR image classification aplying Corine Land Cover adapted for ColombiaMonografíainfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fLICENSElicense.txtlicense.txttext/plain; charset=utf-87167http://repository.udistrital.edu.co/bitstream/11349/29098/6/license.txt997daf6c648c962d566d7b082dac908dMD56open accessORIGINALRodriguezBaqueroWilsonCamilo2021.pdfRodriguezBaqueroWilsonCamilo2021.pdfTrabajo de gradoapplication/pdf1438048http://repository.udistrital.edu.co/bitstream/11349/29098/1/RodriguezBaqueroWilsonCamilo2021.pdf86105bd10b94c0f21dd776e5a464d48dMD51open accessLicencia y autorización de los autores para publicar.pdfLicencia y autorización de los autores para publicar.pdfLicencia y autorización de los autores para publicarapplication/pdf405418http://repository.udistrital.edu.co/bitstream/11349/29098/2/Licencia%20y%20autorizaci%c3%b3n%20de%20los%20autores%20para%20publicar.pdfe602f5f881ccb53c87680b0f1aba107cMD52metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914http://repository.udistrital.edu.co/bitstream/11349/29098/5/license_rdf1608e658af296c3febc577e957e919bfMD55open accessTHUMBNAILRodriguezBaqueroWilsonCamilo2021.pdf.jpgRodriguezBaqueroWilsonCamilo2021.pdf.jpgIM Thumbnailimage/jpeg5530http://repository.udistrital.edu.co/bitstream/11349/29098/7/RodriguezBaqueroWilsonCamilo2021.pdf.jpgc35cac2e30d6f061f094ba9eebfa15e9MD57open accessLicencia y autorización de los autores para publicar.pdf.jpgLicencia y autorización de los autores para publicar.pdf.jpgIM Thumbnailimage/jpeg13151http://repository.udistrital.edu.co/bitstream/11349/29098/8/Licencia%20y%20autorizaci%c3%b3n%20de%20los%20autores%20para%20publicar.pdf.jpg288b1aa290a23eae637ebfc17cc060e3MD58open access11349/29098oai:repository.udistrital.edu.co:11349/290982023-06-09 16:45:59.191open accessRepositorio Institucional Universidad Distrital - RIUDrepositorio@udistrital.edu.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 |