Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
La clasificación de cobertura de suelo es importante para estudios de cambio climático y monitoreo de ecosistemas. Los métodos convencionales de clasificación de coberturas se realizan mediante la interpretación visual de imágenes satelitales y programas como PCI Geomatics, los cuales requieren de t...
- Autores:
-
Forero Roa, Ana Maria
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/70909
- Acceso en línea:
- http://hdl.handle.net/1992/70909
- Palabra clave:
- Cobertura de suelo
Sentinel-2
Redes neuronales convolucionales
Teledetección
Deep learning
Geociencias
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
Summary: | La clasificación de cobertura de suelo es importante para estudios de cambio climático y monitoreo de ecosistemas. Los métodos convencionales de clasificación de coberturas se realizan mediante la interpretación visual de imágenes satelitales y programas como PCI Geomatics, los cuales requieren de tiempo y pueden llegar a ser imprecisos. Implementar métodos computacionales permite generar clasificaciones de coberturas en imágenes satelitales de manera automática, rápida y precisa. En este proyecto se desarrolla un método de aprendizaje autónomo basado en redes neuronales (Deep Learning) para la clasificación automática de coberturas del suelo a partir de imágenes satelitales de Sentinel-2. La red Neuronal desarrollada en el presente trabajo fue entrenada y validada a partir de una base de datos de 27000 pequeñas imágenes satelitales (64x64 pixeles) del centro alemán de investigación de inteligencia artificial clasificadas en 10 categorías. Los resultados obtenidos del porcentaje de exactitud fueron del 97.66% al 99.01% en entrenamiento y 97.6790% en validación; para la clasificación de: Lago, Rio, Residencial, Cultivos permanentes, pasto, industrial, carretera, vegetación herbácea, bosque y cosecha anual. Adicionalmente se realizó una etapa de prueba, en una imagen satelital completa de Sentinel-2 del área de Boyacá y Santander de Colombia (T18NXM grilla de Sentinel 2); y se realizó una comparación del resultado obtenido con el método desarrollado (red neuronal) y métodos tradicionales, como PCI Geomatics. |
---|