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...

Full description

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
Description
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.