Plugin machine learning para QGIS 3.x para la clasificación de imágenes satelitales

Las herramientas que realizan la clasificación de imágenes satelitales basados en diferentes algoritmos de Machine Learning son extremadamente costosos y de difícil acceso (software comercial), los cuales tienden a ser muy especializados. Debido a esto, conseguir una herramienta o software libre con...

Full description

Autores:
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad Distrital Francisco José de Caldas
Repositorio:
RIUD: repositorio U. Distrital
Idioma:
spa
OAI Identifier:
oai:repository.udistrital.edu.co:11349/33618
Acceso en línea:
http://hdl.handle.net/11349/33618
Palabra clave:
Python 3
Complemento para QGIS
Bosques aleatorios
Máquinas de soporte vectorial
Aprendizaje automático
K-vecinos más cercanos
Especialización en Sistemas de Información Geográfica -- Tesis y disertaciones académicas
Aprendizaje automático (Inteligencia artificial)
Sistemas de información geográfica
Imágenes de detección a distancia - Clasificación
Python (Lenguaje de programación de computadores)
QGIS plugins
Random forest
Support vector machines
Machine learning
K-nearest neighbors
Rights
License
Atribución-NoComercial-CompartirIgual 4.0 Internacional
Description
Summary:Las herramientas que realizan la clasificación de imágenes satelitales basados en diferentes algoritmos de Machine Learning son extremadamente costosos y de difícil acceso (software comercial), los cuales tienden a ser muy especializados. Debido a esto, conseguir una herramienta o software libre con indicadores de calidad similares a los obtenidos en software comercial supone un reto tecnológico. Así pues, se presenta el desarrollo de un plugin para el sofware QGIS (MLClassImage Plugin), que realiza clasificación de imágenes satelitales, a partir de los siguientes algoritmos: KNN, Random Forest y Máquinas de soporte vectorial (SVM). Dentro del mismo, el usuario podrá manipular los parámetros de cada uno de los algoritmos para así seleccionar el modelo que mejor se ajuste a la clasificación requerida de acuerdo con la interpretación a los resultados obtenidos.