Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos
ilustraciones, diagramas, mapas
- Autores:
-
Reyes Quintana, Nohora Marcela
- Tipo de recurso:
- Fecha de publicación:
- 2024
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/86362
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
600 - Tecnología (Ciencias aplicadas)::601 - Filosofía y teoría
Redes de neuronas
Páramos
Imágenes por satélites
neural networks
moors
satellite imagery
Teledetección
Páramo
Redes neuronales convolucionales
Segmentación semántica
Cobertura del suelo
Exactitud temática
Remote sensing
Convolutional neural networks
Land cover
Semantic segmentation
Thematic accuracy
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_c16e877ec8af69cc5a19e908efe8e7b6 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/86362 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| dc.title.translated.eng.fl_str_mv |
Semantic segmentation model of satellite images based on convolutional neural networks for land cover classification in páramos |
| title |
Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| spellingShingle |
Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 600 - Tecnología (Ciencias aplicadas)::601 - Filosofía y teoría Redes de neuronas Páramos Imágenes por satélites neural networks moors satellite imagery Teledetección Páramo Redes neuronales convolucionales Segmentación semántica Cobertura del suelo Exactitud temática Remote sensing Convolutional neural networks Land cover Semantic segmentation Thematic accuracy |
| title_short |
Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_full |
Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_fullStr |
Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_full_unstemmed |
Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| title_sort |
Modelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramos |
| dc.creator.fl_str_mv |
Reyes Quintana, Nohora Marcela |
| dc.contributor.advisor.spa.fl_str_mv |
Lizarazo Salcedo, Iván Alberto |
| dc.contributor.author.spa.fl_str_mv |
Reyes Quintana, Nohora Marcela |
| dc.contributor.researchgroup.spa.fl_str_mv |
Análisis Espacial del Territorio y del Cambio Global (Aet-Cg) |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 600 - Tecnología (Ciencias aplicadas)::601 - Filosofía y teoría |
| topic |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 600 - Tecnología (Ciencias aplicadas)::601 - Filosofía y teoría Redes de neuronas Páramos Imágenes por satélites neural networks moors satellite imagery Teledetección Páramo Redes neuronales convolucionales Segmentación semántica Cobertura del suelo Exactitud temática Remote sensing Convolutional neural networks Land cover Semantic segmentation Thematic accuracy |
| dc.subject.agrovoc.spa.fl_str_mv |
Redes de neuronas Páramos Imágenes por satélites |
| dc.subject.agrovoc.eng.fl_str_mv |
neural networks moors satellite imagery |
| dc.subject.proposal.spa.fl_str_mv |
Teledetección Páramo Redes neuronales convolucionales Segmentación semántica Cobertura del suelo Exactitud temática |
| dc.subject.proposal.eng.fl_str_mv |
Remote sensing Convolutional neural networks Land cover Semantic segmentation Thematic accuracy |
| description |
ilustraciones, diagramas, mapas |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-07-02T23:40:59Z |
| dc.date.available.none.fl_str_mv |
2024-07-02T23:40:59Z |
| dc.date.issued.none.fl_str_mv |
2024 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/86362 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/86362 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8(1). https://doi.org/10.1186/s40537-021-00444-8 Audebert, N., Le Saux, B., & Lefèvre, S. (2017). Semantic segmentation of earth observation data using multimodal and multi-scale deep networks. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 10111 LNCS, 180–196. https://doi.org/10.1007/978-3-319-54181-5_12 Ayala-Izurieta, J. E., Márquez, C. O., García, V. J., Recalde-Moreno, C. G., Rodríguez-Llerena, M. V., & Damián-Carrión, D. A. (2017). Land cover classification in an ecuadorian mountain geosystem using a random forest classifier, spectral vegetation indices, and ancillary geographic data. Geosciences (Switzerland), 7(2). https://doi.org/10.3390/geosciences7020034 Ayhan, B., Kwan, C., Budavari, B., Kwan, L., Lu, Y., Perez, D., Li, J., Skarlatos, D., & Vlachos, M. (2020). Vegetation detection using deep learning and conventional methods. Remote Sensing, 12(15). https://doi.org/10.3390/RS12152502 Brück, S. A., Torres, B. D. M., & de Moraes Polizeli, M. de L. T. (2023). The Ecuadorian paramo in danger: What we know and what might be learned from northern wetlands. In Global Ecology and Conservation (Vol. 47). Elsevier B.V. https://doi.org/10.1016/j.gecco.2023.e02639 Castelo-Cabay, M., Piedra-Fernandez, J. A., & Ayala, R. (2022). Deep learning for land use and land cover classification from the Ecuadorian Paramo. International Journal of Digital Earth, 15(1), 1001–1017. https://doi.org/10.1080/17538947.2022.2088872 Chen, Z., Duan, J., Kang, L., & Qiu, G. (2022). Class-Imbalanced Deep Learning via a Class-Balanced Ensemble. IEEE Transactions on Neural Networks and Learning Systems, 33(10), 5626–5640. https://doi.org/10.1109/TNNLS.2021.3071122 Coca Castro, A., Zaraza Aguilera, M. A., Benavides Miranda, Y. T., Montilla Montilla, Y. M., Posada Fandiño, H. B., Avendaño-Gomez, A. L., Hernández-Hamon, H. A., Garzón Martinez, S. C., & Franco Prieto, C. A. (2021). Evaluación de algoritmos de clasificación en la plataforma Google Earth Engine para la identificación y detección de cambios de construcciones rurales y periurbanas a partir de imágenes de alta resolución. Revista de Teledetección, 58, 71. https://doi.org/10.4995/raet.2021.15026 Deepan, P., & Sudha, L. R. (2020). Object Classification of Remote Sensing Image Using Deep Convolutional Neural Network. In The Cognitive Approach in Cloud Computing and Internet of Things Technologies for Surveillance Tracking Systems (pp. 107–120). Elsevier. https://doi.org/10.1016/b978-0-12-816385-6.00008-8 Espejo O. (2017). Desarrollo de una metodología para estimación de la deforestación mediante el análisis multitemporal de imágenes multiespectrales en un entorno de análisis basado en objetos geográficos (GEOBIA). Tesis de Maestría. Universidad Distrital Francisco José de Caldas, Colombia. Foody, G. M. (2001). Status of land cover classification accuracy assessment. www.elsevier.com/locate/rse Garavito, N. (2016). Los páramos en Colombia, un ecosistema en riesgo. Ingeniare, 19, 127–136. http://www.unilibrebaq.edu.co/ojsinvestigacion/index.php/ingeniare/article/view/704 Hoeser, T., & Kuenzer, C. (2020). Object detection and image segmentation with deep learning on Earth observation data: A review-part I: Evolution and recent trends. In Remote Sensing (Vol. 12, Issue 10). MDPI AG. https://doi.org/10.3390/rs12101667 Iaar. (2020). Visión por computadora - Libro online de IAAR. https://iaarbook.github.io/vision-por-computadora/%0Ahttps://iaarbook.github.io/vision-por-computadora/#redes-neuronales-convolucionales%0Ahttps://iaarbook.github.io/vision-por-computadora/ IDEAM. (2010). Leyenda nacional de coberturas de la tierra. Metodología CORINE Land Cover adaptada para Colombia, escala 1:100.000. In Area: Vol. TH-62-04-1 (Issue 257). IDEAM. (2015). COBERTURAS NACIONALES. IDEAM - MONITOREO DE BOSQUES Y RECURSO FORESTAL. http://www.ideam.gov.co/web/ecosistemas/coberturas-nacionales IDEAM, IAVH, MADS, & MINHACIENDA. (2014). TIERRA EN LOS PÁRAMOS PRIORIZADOS A ESCALA ADAPTADA PARA COLOMBIA) Contrato de Cooperación No. 13-13-014-093CE Instituto Humboldt - Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM ) (Vol. 000, Issue 13). IDEAM, SINCHI, & PNN. (2021). MAPA NACIONAL DE COBERTURAS DE LA TIERRA, ESCALA 1:100.000, PERIODO 2018 METODOLOGÍA CORINE LAND COVER ADAPTADA PARA COLOMBIA MEMORIA TÉCNICA Y RESULTADOS. Kemker, R., Salvaggio, C., & Kanan, C. (2018). Algorithms for semantic segmentation of multispectral remote sensing imagery using deep learning. ISPRS Journal of Photogrammetry and Remote Sensing, 145, 60–77. https://doi.org/10.1016/J.ISPRSJPRS.2018.04.014 Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. (2017). Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data. IEEE Geoscience and Remote Sensing Letters, 14(5), 778–782. https://doi.org/10.1109/LGRS.2017.2681128 Liu, M., Fu, B., Xie, S., He, H., Lan, F., Li, Y., Lou, P., & Fan, D. (2021). Comparison of multi-source satellite images for classifying marsh vegetation using DeepLabV3 Plus deep learning algorithm. Ecological Indicators, 125, 107562. https://doi.org/10.1016/j.ecolind.2021.107562 Loaiza-Usuga, J. C., Lis-Gutiérrez, M., & Rubiano-Sanabria, Y. (2021). Land use and environmental changes in the Andean Paramo soils. In Climate and Land Use Impacts on Natural and Artificial Systems (pp. 105–134). Elsevier. https://doi.org/10.1016/B978-0-12-822184-6.00014-4 Martin-Abadal, M., Guerrero-Font, E., Bonin-Font, F., & Gonzalez-Cid, Y. (2018). Deep Semantic Segmentation in an AUV for Online Posidonia Oceanica Meadows Identification. IEEE Access, 6, 60956–60967. https://doi.org/10.1109/ACCESS.2018.2875412 Ministerio del Medio Ambiente (MADS). (2002). RESOLUCIÓN NÚMERO 769 DE 2002. Morales M, Otero J., Van der Hammen T., Torres A., Cadena C., Pedraza C., Rodríguez N., Franco C., Betancourth J.C., Olaya E., P. E. y C. L. (2007). Atlas de páramos de Colombia. In Instituto de Investigación de Recursos Biológicos Alexander von Humboldt (IAVH). (Vol. 16, Issue 1). https://doi.org/10.1111/j.1365-2303.2004.00206.x Navab, N., Hornegger, J., Wells, W. M., & Frangi, A. F. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9351(Cvd), 12–20. https://doi.org/10.1007/978-3-319-24574-4 Radoux, J., & Bogaert, P. (2017). Good practices for object-based accuracy assessment. Remote Sensing, 9(7). https://doi.org/10.3390/rs9070646 Prince, S. J. D. (2023). Understanding Deep Learning. http://udlbook.com. Suárez Londoño, A. S., Jiménez López, A. F., Castro Franco, M., & Cruz Roa, A. A. (2017). Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales. Orinoquia, 21(1 Sup), 64–75. https://doi.org/10.22579/20112629.432 Talukdar, S., Singha, P., Mahato, S., Shahfahad, Pal, S., Liou, Y. A., & Rahman, A. (2020). Land-use land-cover classification by machine learning classifiers for satellite observations-A review. In Remote Sensing (Vol. 12, Issue 7). MDPI AG. https://doi.org/10.3390/rs12071135 Sahu, B. (2019, July 12). The Evolution of Deeplab for Semantic Segmentation | by Beeren Sahu | Towards Data Science. Towards Data Science. https://towardsdatascience.com/the-evolution-of-deeplab-for-semantic-segmentation-95082b025571 Torralba, P. P. (2022). Qué son las Redes Neuronales Convolucionales. Thinking for Innovation. https://www.iebschool.com/blog/redes-neuronales-convolucionales-big-data/ Vásquez, A., Buitrago, A. C. (2011). El gran libro de los páramos. 2011. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. Proyecto Páramo Andino, 208. Yuan, X., Shi, J., & Gu, L. (2021). A review of deep learning methods for semantic segmentation of remote sensing imagery. In Expert Systems with Applications (Vol. 169). Elsevier Ltd. https://doi.org/10.1016/j.eswa.2020.114417 Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2018). UNet++: A Nested U-Net Architecture for Medical Image Segmentation. http://arxiv.org/abs/1807.10165 Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2019). UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation. http://arxiv.org/abs/1912.05074 Zhu, X. X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep learning in remote sensing: a review. October. https://doi.org/10.1109/MGRS.2017.2762307 Altamirano P, L. (2021). Deep Learning aplicado a la Segmentación Semántica de Imágenes áereas. Universidad de Valparaíso, Chile. Arcos Serrano, R. (2021). Segmentación objeto-fondo mediante redes convolucionales [Universidad Autónoma De Madrid]. https://calidad.uniovi.es/c/document_library/get_file?p_l_id=2535716&folderId=4003749&name=DLFE-54735.pdf Belyadi, H., & Haghighat, A. (2021). Model evaluation. In Machine Learning Guide for Oil and Gas Using Python. https://doi.org/10.1016/b978-0-12-821929-4.00009-3 Bocarejo, D., Cairo, C. Del, Ojeda, D., Montenegro, I. E., Instituto Alexander von Humboldt, & ERIGAIE, F. (2014). Caracterización socioeconómica y cultural del Complejo de Páramos Tota-Bijagual-Mamapacha en jurisdicción de Corpoboyacá con énfasis en caracterización de actores, análisis de redes y de servicios ecosistémicos. CONTRATO 15-13-014-041PS. Repositorio Institucional de Documentación Científica Humboldt Digital, 014(15), 93. http://repository.humboldt.org.co/handle/20.500.11761/9578 Cabrera, M., & Ramírez, W. (2014). Restauración Ecológica de los páramos de Colombia: Transformación y herramientas para su conservación. In Restauración Ecológica de los páramos de Colombia: Transformación y herramientas para su conservación. Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848. https://doi.org/10.1109/TPAMI.2017.2699184 Davins Jovells, M. (2021). Deep learning for semantic segmentation of remote sensing imaging. Di Gregorio, A. (2016). Land Cover Classification System (LCCS): Classification Concepts and User Manual version 3. Enviromental and Natural Resources Series, FAO. https://www.fao.org/3/i5232e/i5232e.pdf Fan, Z., Zhan, T., Gao, Z., Li, R., Liu, Y., Zhang, L., Jin, Z., & Xu, S. (2022). Land Cover Classification of Resources Survey Remote Sensing Images Based on Segmentation Model. IEEE Access, 10, 56267–56281. https://doi.org/10.1109/ACCESS.2022.3175978 Gil, J. (2017). Briófitos del complejo de páramos Tota-Bijagual-Mamapacha y fitogeografía. 69. Gómez Sánchez, C., Rincón Romero, M., & Sánchez López, R. (2002). Caracterización de los suelos páramos de Colombia: Génesis de una transformación. Páramos y Ecosistemas Alto Andinos de Colombia En Condiciones HotSpot & Global Climatic Tensor, 210–333. https://www.researchgate.net/publication/264416399 Huang, B., Zhao, B., & Song, Y. (2018). Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery. Remote Sensing of Environment, 214, 73–86. https://doi.org/10.1016/J.RSE.2018.04.050 Iyer, P., A, S., & Lal, S. (2021). Deep learning ensemble method for classification of satellite hyperspectral images. Remote Sensing Applications: Society and Environment, 23, 100580. https://doi.org/10.1016/J.RSASE.2021.100580 Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539ï Machine Learning en la Web con Angular y TensorFlow. (n.d.). Retrieved October 20, 2023, from https://saludelectronica.com/machine-learning-en-la-web-con-angular-y-tensorflow/ MADS. (2021). “Tenemos el 50 % de los páramos del mundo”: Ministro de Ambiente en el Día de las Montañas - Ministerio de Ambiente y Desarrollo Sostenible. https://www.minambiente.gov.co/bosques-biodiversidad-y-servicios-ecosistemicos/tenemos-el-50-de-los-paramos-del-mundo-ministro-de-ambiente-en-el-dia-de-las-montanas/ Osco, L. P., Marcato Junior, J., Marques Ramos, A. P., de Castro Jorge, L. A., Fatholahi, S. N., de Andrade Silva, J., Matsubara, E. T., Pistori, H., Gonçalves, W. N., & Li, J. (2021). A review on deep learning in UAV remote sensing. In International Journal of Applied Earth Observation and Geoinformation (Vol. 102). Elsevier B.V. https://doi.org/10.1016/j.jag.2021.102456 Poveda-Sotelo, Y., Bermúdez-Cella, M. A., & Gil-Leguizamón, P. (2022). Evaluation of supervised classification methods for the estimation of spatiotemporal changes in the Merchán and Telecom paramos, Colombia. Boletin de Geologia, 44(2), 51–72. https://doi.org/10.18273/revbol.v44n2-2022002 Radoux, J., & Bogaert, P. (2017). Good practices for object-based accuracy assessment. Remote Sensing, 9(7). https://doi.org/10.3390/rs9070646 Retavisca G., S. (2021). La defensa de un complejo de páramos. La Cola de Rata. https://www.lacoladerata.co/cultura/relatos/la-defensa-de-un-complejo-de-paramos/ Saca, F. L., & Moreno, A. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python. Universidad de Sevilla, 80. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xiii, 104 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ciencias Agrarias - Maestría en Geomática |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias Agrarias |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/86362/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/86362/2/1057579801.2024.pdf https://repositorio.unal.edu.co/bitstream/unal/86362/3/1057579801.2024.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a 1b13834a34c37956c5380991e713519f bd8af8a90648017a0377e2f42286fcfa |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089719874584576 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Lizarazo Salcedo, Iván Albertob7a911d83f30c19f50a8d2f7b4e94e02Reyes Quintana, Nohora Marcela05c29e5f83da2ed0467b43dc53a88eefAnálisis Espacial del Territorio y del Cambio Global (Aet-Cg)2024-07-02T23:40:59Z2024-07-02T23:40:59Z2024https://repositorio.unal.edu.co/handle/unal/86362Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramas, mapasLos ecosistemas de páramo son cruciales para la regulación hídrica y la biodiversidad, pero enfrenta amenazas significativas debido el cambio climático y las actividades humanas. La falta de delimitación clara y sistemas de monitoreo continuo dificultan su protección, resaltando la necesidad de técnicas de clasificación de coberturas con alta exactitud temática y tiempos de procesamiento cortos. En esta investigación evaluó dos arquitecturas de redes neuronales convolucionales (CNN), U-Net++ y DeepLabV3 en su capacidad para realizar la segmentación semántica de imágenes satelitales para clasificar las coberturas del complejo de páramos Tota-Bijagual-Mamapacha (TBM), ubicado en Boyacá y Cundinamarca. Utilizando imágenes Landsat 8 del periodo 2017 a 2019 junto con etiquetas de coberturas del mapa nacional de coberturas 1:100.000 del IDEAM de 2018. Los resultados indican una exactitud global (OA) de 68.07% y un kappa de 0.60 para U-Net++ y un OA de 67.29% y un kappa de 0.59 para DeepLabV3+. En coberturas de páramo, U-Net++ alcanzó un F1 del 78.43% para Herbazal y del 79.22% para Bosques, mientras que DeepLabV3+ logró un 75% y 74.27%, respectivamente. Ambos modelos se entrenaron en una estación de trabajo equipada con una NVIDIA Quadro RTX™ 5000, presentando tiempos de procesamiento similares. Los hallazgos confirman el potencial de las CNN para la clasificación de coberturas en ecosistemas de páramo y destacan los desafíos asociados al desbalance de clases y la necesidad de datos fuente con alta consistencia lógica y exactitud. Estos resultados establecen una base sólida para investigaciones futuras. (Texto tomado de la fuente).Paramo ecosystems are fundamental for water regulation and biodiversity but face significant threats due to climate change and human activities. Their protection is hindered by the lack of clear delineation and a continuous monitoring system, highlighting the need to develop land cover classification techniques that offer high thematic accuracy and efficient processing times. This research evaluates two convolutional neural network (CNN) architectures, U-Net++ and DeepLabV3, in their ability to perform semantic segmentation of satellite images to classify the land covers of the Tota-Bijagual-Mamapacha (TBM) paramo complex, located in Boyacá and Cundinamarca. Using Landsat 8 images from the period 2017 to 2019 along with land cover labels from the 2018 national land cover map 1:100,000 of IDEAM. The results indicate an overall accuracy (OA) of 68.07% and a kappa of 0.60 for U-Net++ and an OA of 67.29% and a kappa of 0.59 for DeepLabV3+. In paramo covers, U-Net++ achieved an F1 score of 78.43% for Herbazal and 79.22% for Forests, while DeepLabV3+ achieved 75% and 74.27%, respectively. Both models were efficiently trained on a workstation equipped with an NVIDIA Quadro RTX™ 5000, presenting similar processing times. The findings confirm the potential of CNNs for land cover classification in paramo ecosystems and highlight the challenges associated with class imbalance and the need for source data with high logical consistency and accuracy. These results provide a solid foundation for future research in land cover classification and ecosystem monitoring.MaestríaMagíster en GeomáticaLa metodología aplicada en esta investigación se dividió en tres etapas claves, cada una diseñada para asegurar la exactitud temática y la eficiencia en la clasificación de coberturas del páramo TBM. • Preprocesamiento (PRE): la primera etapa se enfocó en la preparación y limpieza meticulosa de los datos. Las actividades principales incluyeron la selección cuidadosa de imágenes satelitales, corrección de errores, estandarización de imágenes y recortes, además de la generación de etiquetas. • Procesamiento (PRO): Durante esta fase se aplicaron técnicas avanzadas de segmentación semántica a los datos ya preprocesados. Se utilizaron las arquitecturas U-Net++ y DeepLabV3+, con las cuales se desarrollaron varios modelos que se fueron entrenando para optimizar las métricas de las cobertura del páramo TBM. Estos experimentos permitieron explorar y comparar la eficiencia de distintas configuraciones y ajustes en los modelos mencionados. • Análisis (ANA): Esta última fase de la investigación consistió en un análisis detallado de los resultados obtenidos a través de los modelos de segmentación semántica. Se evaluó minuciosamente la exactitud de la clasificación mediante técnicas estadísticas.Desarrollo de tecnologías geoespacialesxiii, 104 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ciencias Agrarias - Maestría en GeomáticaFacultad de Ciencias AgrariasBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores600 - Tecnología (Ciencias aplicadas)::601 - Filosofía y teoríaRedes de neuronasPáramosImágenes por satélitesneural networksmoorssatellite imageryTeledetecciónPáramoRedes neuronales convolucionalesSegmentación semánticaCobertura del sueloExactitud temáticaRemote sensingConvolutional neural networksLand coverSemantic segmentationThematic accuracyModelo de segmentación semántica de imágenes satelitales basado en redes neuronales convolucionales para la clasificación de cobertura de la tierra en páramosSemantic segmentation model of satellite images based on convolutional neural networks for land cover classification in páramosTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAlzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8(1). https://doi.org/10.1186/s40537-021-00444-8Audebert, N., Le Saux, B., & Lefèvre, S. (2017). Semantic segmentation of earth observation data using multimodal and multi-scale deep networks. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 10111 LNCS, 180–196. https://doi.org/10.1007/978-3-319-54181-5_12Ayala-Izurieta, J. E., Márquez, C. O., García, V. J., Recalde-Moreno, C. G., Rodríguez-Llerena, M. V., & Damián-Carrión, D. A. (2017). Land cover classification in an ecuadorian mountain geosystem using a random forest classifier, spectral vegetation indices, and ancillary geographic data. Geosciences (Switzerland), 7(2). https://doi.org/10.3390/geosciences7020034Ayhan, B., Kwan, C., Budavari, B., Kwan, L., Lu, Y., Perez, D., Li, J., Skarlatos, D., & Vlachos, M. (2020). Vegetation detection using deep learning and conventional methods. Remote Sensing, 12(15). https://doi.org/10.3390/RS12152502Brück, S. A., Torres, B. D. M., & de Moraes Polizeli, M. de L. T. (2023). The Ecuadorian paramo in danger: What we know and what might be learned from northern wetlands. In Global Ecology and Conservation (Vol. 47). Elsevier B.V. https://doi.org/10.1016/j.gecco.2023.e02639Castelo-Cabay, M., Piedra-Fernandez, J. A., & Ayala, R. (2022). Deep learning for land use and land cover classification from the Ecuadorian Paramo. International Journal of Digital Earth, 15(1), 1001–1017. https://doi.org/10.1080/17538947.2022.2088872Chen, Z., Duan, J., Kang, L., & Qiu, G. (2022). Class-Imbalanced Deep Learning via a Class-Balanced Ensemble. IEEE Transactions on Neural Networks and Learning Systems, 33(10), 5626–5640. https://doi.org/10.1109/TNNLS.2021.3071122Coca Castro, A., Zaraza Aguilera, M. A., Benavides Miranda, Y. T., Montilla Montilla, Y. M., Posada Fandiño, H. B., Avendaño-Gomez, A. L., Hernández-Hamon, H. A., Garzón Martinez, S. C., & Franco Prieto, C. A. (2021). Evaluación de algoritmos de clasificación en la plataforma Google Earth Engine para la identificación y detección de cambios de construcciones rurales y periurbanas a partir de imágenes de alta resolución. Revista de Teledetección, 58, 71. https://doi.org/10.4995/raet.2021.15026Deepan, P., & Sudha, L. R. (2020). Object Classification of Remote Sensing Image Using Deep Convolutional Neural Network. In The Cognitive Approach in Cloud Computing and Internet of Things Technologies for Surveillance Tracking Systems (pp. 107–120). Elsevier. https://doi.org/10.1016/b978-0-12-816385-6.00008-8Espejo O. (2017). Desarrollo de una metodología para estimación de la deforestación mediante el análisis multitemporal de imágenes multiespectrales en un entorno de análisis basado en objetos geográficos (GEOBIA). Tesis de Maestría. Universidad Distrital Francisco José de Caldas, Colombia.Foody, G. M. (2001). Status of land cover classification accuracy assessment. www.elsevier.com/locate/rseGaravito, N. (2016). Los páramos en Colombia, un ecosistema en riesgo. Ingeniare, 19, 127–136. http://www.unilibrebaq.edu.co/ojsinvestigacion/index.php/ingeniare/article/view/704Hoeser, T., & Kuenzer, C. (2020). Object detection and image segmentation with deep learning on Earth observation data: A review-part I: Evolution and recent trends. In Remote Sensing (Vol. 12, Issue 10). MDPI AG. https://doi.org/10.3390/rs12101667Iaar. (2020). Visión por computadora - Libro online de IAAR. https://iaarbook.github.io/vision-por-computadora/%0Ahttps://iaarbook.github.io/vision-por-computadora/#redes-neuronales-convolucionales%0Ahttps://iaarbook.github.io/vision-por-computadora/IDEAM. (2010). Leyenda nacional de coberturas de la tierra. Metodología CORINE Land Cover adaptada para Colombia, escala 1:100.000. In Area: Vol. TH-62-04-1 (Issue 257).IDEAM. (2015). COBERTURAS NACIONALES. IDEAM - MONITOREO DE BOSQUES Y RECURSO FORESTAL. http://www.ideam.gov.co/web/ecosistemas/coberturas-nacionalesIDEAM, IAVH, MADS, & MINHACIENDA. (2014). TIERRA EN LOS PÁRAMOS PRIORIZADOS A ESCALA ADAPTADA PARA COLOMBIA) Contrato de Cooperación No. 13-13-014-093CE Instituto Humboldt - Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM ) (Vol. 000, Issue 13).IDEAM, SINCHI, & PNN. (2021). MAPA NACIONAL DE COBERTURAS DE LA TIERRA, ESCALA 1:100.000, PERIODO 2018 METODOLOGÍA CORINE LAND COVER ADAPTADA PARA COLOMBIA MEMORIA TÉCNICA Y RESULTADOS.Kemker, R., Salvaggio, C., & Kanan, C. (2018). Algorithms for semantic segmentation of multispectral remote sensing imagery using deep learning. ISPRS Journal of Photogrammetry and Remote Sensing, 145, 60–77. https://doi.org/10.1016/J.ISPRSJPRS.2018.04.014Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. (2017). Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data. IEEE Geoscience and Remote Sensing Letters, 14(5), 778–782. https://doi.org/10.1109/LGRS.2017.2681128Liu, M., Fu, B., Xie, S., He, H., Lan, F., Li, Y., Lou, P., & Fan, D. (2021). Comparison of multi-source satellite images for classifying marsh vegetation using DeepLabV3 Plus deep learning algorithm. Ecological Indicators, 125, 107562. https://doi.org/10.1016/j.ecolind.2021.107562Loaiza-Usuga, J. C., Lis-Gutiérrez, M., & Rubiano-Sanabria, Y. (2021). Land use and environmental changes in the Andean Paramo soils. In Climate and Land Use Impacts on Natural and Artificial Systems (pp. 105–134). Elsevier. https://doi.org/10.1016/B978-0-12-822184-6.00014-4Martin-Abadal, M., Guerrero-Font, E., Bonin-Font, F., & Gonzalez-Cid, Y. (2018). Deep Semantic Segmentation in an AUV for Online Posidonia Oceanica Meadows Identification. IEEE Access, 6, 60956–60967. https://doi.org/10.1109/ACCESS.2018.2875412Ministerio del Medio Ambiente (MADS). (2002). RESOLUCIÓN NÚMERO 769 DE 2002.Morales M, Otero J., Van der Hammen T., Torres A., Cadena C., Pedraza C., Rodríguez N., Franco C., Betancourth J.C., Olaya E., P. E. y C. L. (2007). Atlas de páramos de Colombia. In Instituto de Investigación de Recursos Biológicos Alexander von Humboldt (IAVH). (Vol. 16, Issue 1). https://doi.org/10.1111/j.1365-2303.2004.00206.xNavab, N., Hornegger, J., Wells, W. M., & Frangi, A. F. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9351(Cvd), 12–20. https://doi.org/10.1007/978-3-319-24574-4Radoux, J., & Bogaert, P. (2017). Good practices for object-based accuracy assessment. Remote Sensing, 9(7). https://doi.org/10.3390/rs9070646Prince, S. J. D. (2023). Understanding Deep Learning. http://udlbook.com.Suárez Londoño, A. S., Jiménez López, A. F., Castro Franco, M., & Cruz Roa, A. A. (2017). Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales. Orinoquia, 21(1 Sup), 64–75. https://doi.org/10.22579/20112629.432Talukdar, S., Singha, P., Mahato, S., Shahfahad, Pal, S., Liou, Y. A., & Rahman, A. (2020). Land-use land-cover classification by machine learning classifiers for satellite observations-A review. In Remote Sensing (Vol. 12, Issue 7). MDPI AG. https://doi.org/10.3390/rs12071135Sahu, B. (2019, July 12). The Evolution of Deeplab for Semantic Segmentation | by Beeren Sahu | Towards Data Science. Towards Data Science. https://towardsdatascience.com/the-evolution-of-deeplab-for-semantic-segmentation-95082b025571Torralba, P. P. (2022). Qué son las Redes Neuronales Convolucionales. Thinking for Innovation. https://www.iebschool.com/blog/redes-neuronales-convolucionales-big-data/Vásquez, A., Buitrago, A. C. (2011). El gran libro de los páramos. 2011. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. Proyecto Páramo Andino, 208.Yuan, X., Shi, J., & Gu, L. (2021). A review of deep learning methods for semantic segmentation of remote sensing imagery. In Expert Systems with Applications (Vol. 169). Elsevier Ltd. https://doi.org/10.1016/j.eswa.2020.114417Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2018). UNet++: A Nested U-Net Architecture for Medical Image Segmentation. http://arxiv.org/abs/1807.10165Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2019). UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation. http://arxiv.org/abs/1912.05074Zhu, X. X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep learning in remote sensing: a review. October. https://doi.org/10.1109/MGRS.2017.2762307Altamirano P, L. (2021). Deep Learning aplicado a la Segmentación Semántica de Imágenes áereas. Universidad de Valparaíso, Chile.Arcos Serrano, R. (2021). Segmentación objeto-fondo mediante redes convolucionales [Universidad Autónoma De Madrid]. https://calidad.uniovi.es/c/document_library/get_file?p_l_id=2535716&folderId=4003749&name=DLFE-54735.pdfBelyadi, H., & Haghighat, A. (2021). Model evaluation. In Machine Learning Guide for Oil and Gas Using Python. https://doi.org/10.1016/b978-0-12-821929-4.00009-3Bocarejo, D., Cairo, C. Del, Ojeda, D., Montenegro, I. E., Instituto Alexander von Humboldt, & ERIGAIE, F. (2014). Caracterización socioeconómica y cultural del Complejo de Páramos Tota-Bijagual-Mamapacha en jurisdicción de Corpoboyacá con énfasis en caracterización de actores, análisis de redes y de servicios ecosistémicos. CONTRATO 15-13-014-041PS. Repositorio Institucional de Documentación Científica Humboldt Digital, 014(15), 93. http://repository.humboldt.org.co/handle/20.500.11761/9578Cabrera, M., & Ramírez, W. (2014). Restauración Ecológica de los páramos de Colombia: Transformación y herramientas para su conservación. In Restauración Ecológica de los páramos de Colombia: Transformación y herramientas para su conservación.Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848. https://doi.org/10.1109/TPAMI.2017.2699184Davins Jovells, M. (2021). Deep learning for semantic segmentation of remote sensing imaging.Di Gregorio, A. (2016). Land Cover Classification System (LCCS): Classification Concepts and User Manual version 3. Enviromental and Natural Resources Series, FAO. https://www.fao.org/3/i5232e/i5232e.pdfFan, Z., Zhan, T., Gao, Z., Li, R., Liu, Y., Zhang, L., Jin, Z., & Xu, S. (2022). Land Cover Classification of Resources Survey Remote Sensing Images Based on Segmentation Model. IEEE Access, 10, 56267–56281. https://doi.org/10.1109/ACCESS.2022.3175978Gil, J. (2017). Briófitos del complejo de páramos Tota-Bijagual-Mamapacha y fitogeografía. 69.Gómez Sánchez, C., Rincón Romero, M., & Sánchez López, R. (2002). Caracterización de los suelos páramos de Colombia: Génesis de una transformación. Páramos y Ecosistemas Alto Andinos de Colombia En Condiciones HotSpot & Global Climatic Tensor, 210–333. https://www.researchgate.net/publication/264416399Huang, B., Zhao, B., & Song, Y. (2018). Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery. Remote Sensing of Environment, 214, 73–86. https://doi.org/10.1016/J.RSE.2018.04.050Iyer, P., A, S., & Lal, S. (2021). Deep learning ensemble method for classification of satellite hyperspectral images. Remote Sensing Applications: Society and Environment, 23, 100580. https://doi.org/10.1016/J.RSASE.2021.100580Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539ïMachine Learning en la Web con Angular y TensorFlow. (n.d.). Retrieved October 20, 2023, from https://saludelectronica.com/machine-learning-en-la-web-con-angular-y-tensorflow/MADS. (2021). “Tenemos el 50 % de los páramos del mundo”: Ministro de Ambiente en el Día de las Montañas - Ministerio de Ambiente y Desarrollo Sostenible. https://www.minambiente.gov.co/bosques-biodiversidad-y-servicios-ecosistemicos/tenemos-el-50-de-los-paramos-del-mundo-ministro-de-ambiente-en-el-dia-de-las-montanas/Osco, L. P., Marcato Junior, J., Marques Ramos, A. P., de Castro Jorge, L. A., Fatholahi, S. N., de Andrade Silva, J., Matsubara, E. T., Pistori, H., Gonçalves, W. N., & Li, J. (2021). A review on deep learning in UAV remote sensing. In International Journal of Applied Earth Observation and Geoinformation (Vol. 102). Elsevier B.V. https://doi.org/10.1016/j.jag.2021.102456Poveda-Sotelo, Y., Bermúdez-Cella, M. A., & Gil-Leguizamón, P. (2022). Evaluation of supervised classification methods for the estimation of spatiotemporal changes in the Merchán and Telecom paramos, Colombia. Boletin de Geologia, 44(2), 51–72. https://doi.org/10.18273/revbol.v44n2-2022002Radoux, J., & Bogaert, P. (2017). Good practices for object-based accuracy assessment. Remote Sensing, 9(7). https://doi.org/10.3390/rs9070646Retavisca G., S. (2021). La defensa de un complejo de páramos. La Cola de Rata. https://www.lacoladerata.co/cultura/relatos/la-defensa-de-un-complejo-de-paramos/Saca, F. L., & Moreno, A. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python. Universidad de Sevilla, 80.InvestigadoresMaestrosLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/86362/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1057579801.2024.pdf1057579801.2024.pdfTesis de Maestría en Geomáticaapplication/pdf4667505https://repositorio.unal.edu.co/bitstream/unal/86362/2/1057579801.2024.pdf1b13834a34c37956c5380991e713519fMD52THUMBNAIL1057579801.2024.pdf.jpg1057579801.2024.pdf.jpgGenerated Thumbnailimage/jpeg4595https://repositorio.unal.edu.co/bitstream/unal/86362/3/1057579801.2024.pdf.jpgbd8af8a90648017a0377e2f42286fcfaMD53unal/86362oai:repositorio.unal.edu.co:unal/863622024-07-02 23:05:03.483Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |