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
id UNIANDES2_1aa99299e59c15b89672d4dcead6754b
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/70909
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.none.fl_str_mv Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
title Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
spellingShingle Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
Cobertura de suelo
Sentinel-2
Redes neuronales convolucionales
Teledetección
Deep learning
Geociencias
title_short Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
title_full Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
title_fullStr Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
title_full_unstemmed Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
title_sort Deep learning para clasificación automática de cobertura de suelo en imágenes satelitales
dc.creator.fl_str_mv Forero Roa, Ana Maria
dc.contributor.advisor.none.fl_str_mv Pearse, Jillian
dc.contributor.author.none.fl_str_mv Forero Roa, Ana Maria
dc.contributor.jury.none.fl_str_mv Tary, Jean Baptiste
dc.subject.keyword.none.fl_str_mv Cobertura de suelo
Sentinel-2
Redes neuronales convolucionales
Teledetección
Deep learning
topic Cobertura de suelo
Sentinel-2
Redes neuronales convolucionales
Teledetección
Deep learning
Geociencias
dc.subject.themes.es_CO.fl_str_mv Geociencias
description 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.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022-12-02
dc.date.accessioned.none.fl_str_mv 2023-09-27T18:43:56Z
dc.date.available.none.fl_str_mv 2023-09-27T18:43:56Z
dc.type.es_CO.fl_str_mv Trabajo de grado - Pregrado
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.es_CO.fl_str_mv Text
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/70909
dc.identifier.instname.es_CO.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.es_CO.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.es_CO.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/70909
identifier_str_mv instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.es_CO.fl_str_mv spa
language spa
dc.relation.references.es_CO.fl_str_mv Rau, J., Chen, L., Liu, J. y Wu, T. 2007. Dynamics monitoring and disaster assessment for watershed management using time-series satellite images, IEEE Transactions on Geoscience and Remote Sensing, 45 (6) 1641-1649.
Solarte, H. 2018. ANÁLISIS DE DATOS APLICADO A IMÁGENES SATELITALES PARA CALCULAR LA DEFORESTACIÓN, Facultad de ingeniería maestría en ingeniería de sistemas. Bogotá D.C.
Rodriguez, A., Solano, O, 2000. MAPA GEOLOGICO DEL DEPARTAMENTO DE BOYACA. Ministerio de minas y energía, Instituto colombiano de geología y minería
Villarreal, H., Núñez, M., Zorro, W. y Pacheco, C, 2017. Plan de Manejo del Santuario de Fauna y Flora Iguaque. Parques Nacionales Naturales de Colombia.
ArcGIS. Cuadrícula Sentinel 2 para Colombia. From: https://www.arcgis.com/home/webmap/viewer.html?webmap=a7e495eb51374d878caa7 098ea810d89&extent=-100.6913,-8.5482,-48.9237,18.0103
EarthExplorer. Imagen satelital de Sentinel 2 con ID: L1C_T18NXM_A023760_20200109T152633, 2021. From: https://earthexplorer.usgs.gov/scene/metadata/full/5e83a42ca9977c30/9569999/
Misnevs, Boriss & Yatskiv, Irina. (2016). Data Science: Professional Requirements and Competence Evaluation. Baltic Journal of Modern Computing. 4. 441-453.
Sakhi L, Arnol S, Baquero J. (2019). Deep Learning aplicado a imágenes satelitales como herramienta de detección de Viviendas Sin Servicio de energía en el caserío Media Luna- Uribia-Guajira. Universidad Distrital Francisco Jose de Caldas https://repository.udistrital.edu.co/handle/11349/16030
Suárez L, Arnol S, Jiménez L, Andrés F, Castro-Franco, Mauricio, & Cruz-Roa, Angel. (2017). Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales. ORINOQUIA, 21(Suppl. 1), 64- 75. https://doi.org/10.22579/20112629.432
S. Shalev-Schwartz, S. Ben-David.K.C, Understanding Machine Learning: From Theory to Algorithms. NY, USA: Cambridge University Press, 2014.
The MathWorks, Inc. (2022). Deep learning toolbox. Recuperado de: https://la.mathworks.com/products/deep-learning.html
Sarmiento-Ramos, José Luis (2020). Aplicaciones de las redes neuronales y el deep learning a la ingeniería biomédica . Revista UIS Ingenierías, 19(4),1-18.[fecha de Consulta 2 de Octubre de 2022]. ISSN: 1657-4583. Disponible en: https://www.redalyc.org/articulo.oa?id=553768213002
Borrero, I. P., & Arias, M. E. G. (2021). DEEP LEARNING. https://books.google.com.co/books?id=kzsvEAAAQBAJ
SOFTWARETESTINGHELP (2022). Data Mining Vs Machine Learning Vs Artificial Intelligence Vs Deep Learning. From: https://www.softwaretestinghelp.com/data-mining-vs-machine- learning-vs-ai/
SAL Engineering (2017). MAIA S2 and Sentinel-2: remote to proximal sensing. From: https://www.spectralcam.com/2019/02/12/maia-s2-and-sentinel-2-multispectral-images- for-agriculture/
Alonso, D. (2019). Formación que impulsa tu perfil GIS. (MappingGIS, Productor) Obtenido de Combinación de bandas en imágenes de satélite Landsat y Sentinel: https://mappinggis.com/2019/05/combinaciones-de-bandas-en-imagenes-de-satelite- landsat-ysentinel/
ESA. (2015). Sentinel-2 User Handbook. ESA Standard Document.
Zhang, Tianxiang & su, Jinya & Liu, Cunjia & Chen, Wen-Hua. (2018). Potential Bands of Sentinel-2A Satellite for Classification Problems in Precision Agriculture. 10.1007/s11633- 018-1143-x.
Grégory, G & Hy, D. (2016). Sentinel-2 and Landsat-7 satellite images qualitative comparison for evaluating advances in detecting lakes quality parameters.
Zeng, Xiao-Dong & Chao, Sam & Wong, Derek. (2010). Optimization of bagging classifiers based on SBCB algorithm. 1. 262 - 267. 10.1109/ICMLC.2010.5581054.
dc.rights.uri.none.fl_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.es_CO.fl_str_mv 40 paginas
dc.format.mimetype.es_CO.fl_str_mv application/pdf
dc.publisher.es_CO.fl_str_mv Universidad de los Andes
dc.publisher.program.es_CO.fl_str_mv Geociencias
dc.publisher.faculty.es_CO.fl_str_mv Facultad de Ciencias
dc.publisher.department.es_CO.fl_str_mv Departamento de Geociencias
institution Universidad de los Andes
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/62d93a50-5d88-40d3-9b44-35c5e2c2811b/download
https://repositorio.uniandes.edu.co/bitstreams/b2707b99-d5e3-405b-97de-dbbe1159c29e/download
https://repositorio.uniandes.edu.co/bitstreams/7de3286e-b81e-4689-b493-c1abf1a33260/download
https://repositorio.uniandes.edu.co/bitstreams/1c966a79-32e5-4c04-a19a-7ddd9bd84bef/download
https://repositorio.uniandes.edu.co/bitstreams/72014e11-d409-432a-b5c4-961de51abdae/download
https://repositorio.uniandes.edu.co/bitstreams/b061c592-e556-412e-9e0b-d00af0266577/download
https://repositorio.uniandes.edu.co/bitstreams/de34e3cf-1960-44ac-8361-4bc745a6f718/download
bitstream.checksum.fl_str_mv 3da87b26dad98f1e517898d33146925d
c289eb8845f5d052fe01d2adc7b8c4e3
d9a0d391205039ac5d8989e98513ded5
ac08c48559b97f8638874c2819d83215
5aa5c691a1ffe97abd12c2966efcb8d6
78b94b023bb6469c284e6b0747193100
08b106dfeb12472e88207a069e15ba30
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812133987593748480
spelling Pearse, Jillian4ce12052-6fd7-41ac-ae19-4f34f077f6dd600Forero Roa, Ana Maria7fa05662-20d9-4049-9ab6-4f7e03f93570600Tary, Jean Baptiste2023-09-27T18:43:56Z2023-09-27T18:43:56Z2022-12-02http://hdl.handle.net/1992/70909instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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.Land cover classification is important for climate change studies and ecosystem monitoring. Conventional coverage classification methods are performed through the visual interpretation of satellite imagery and programs such as PCI Geomatics, which are time-consuming and can become inaccurate. Implementing computational methods allows to generate coverage classifications in satellite images automatically, quickly, and accurately. This project develops an autonomous learning method based on neural networks (Deep Learning) for the automatic classification of land cover from satellite images of Sentinel 2. The neural network developed in the present work was trained and validated from a database of 27,000 small satellite images (64x64 pixels) of the German artificial intelligence research center classified into 10 categories. The results obtained from the percentage of accuracy were from 97.66% to 99.01% in training and 97.6790% in validation; for the classification of: Lake, River, Residential, Permanent crops, grass, industrial, road, herbaceous vegetation, forest, and annual harvest. Additionally, a test stage was carried out on a complete satellite image of sentinel 2 of the Boyacá and Santander area of Colombia (T18NXM Sentinel 2 grid); and a comparison of the result obtained was made with the developed method (neural network) and traditional methods, such as PCI Geomatics.GeocientíficoPregrado40 paginasapplication/pdfspaUniversidad de los AndesGeocienciasFacultad de CienciasDepartamento de Geocienciashttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Deep learning para clasificación automática de cobertura de suelo en imágenes satelitalesTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPCobertura de sueloSentinel-2Redes neuronales convolucionalesTeledetecciónDeep learningGeocienciasRau, J., Chen, L., Liu, J. y Wu, T. 2007. Dynamics monitoring and disaster assessment for watershed management using time-series satellite images, IEEE Transactions on Geoscience and Remote Sensing, 45 (6) 1641-1649.Solarte, H. 2018. ANÁLISIS DE DATOS APLICADO A IMÁGENES SATELITALES PARA CALCULAR LA DEFORESTACIÓN, Facultad de ingeniería maestría en ingeniería de sistemas. Bogotá D.C.Rodriguez, A., Solano, O, 2000. MAPA GEOLOGICO DEL DEPARTAMENTO DE BOYACA. Ministerio de minas y energía, Instituto colombiano de geología y mineríaVillarreal, H., Núñez, M., Zorro, W. y Pacheco, C, 2017. Plan de Manejo del Santuario de Fauna y Flora Iguaque. Parques Nacionales Naturales de Colombia.ArcGIS. Cuadrícula Sentinel 2 para Colombia. From: https://www.arcgis.com/home/webmap/viewer.html?webmap=a7e495eb51374d878caa7 098ea810d89&extent=-100.6913,-8.5482,-48.9237,18.0103EarthExplorer. Imagen satelital de Sentinel 2 con ID: L1C_T18NXM_A023760_20200109T152633, 2021. From: https://earthexplorer.usgs.gov/scene/metadata/full/5e83a42ca9977c30/9569999/Misnevs, Boriss & Yatskiv, Irina. (2016). Data Science: Professional Requirements and Competence Evaluation. Baltic Journal of Modern Computing. 4. 441-453.Sakhi L, Arnol S, Baquero J. (2019). Deep Learning aplicado a imágenes satelitales como herramienta de detección de Viviendas Sin Servicio de energía en el caserío Media Luna- Uribia-Guajira. Universidad Distrital Francisco Jose de Caldas https://repository.udistrital.edu.co/handle/11349/16030Suárez L, Arnol S, Jiménez L, Andrés F, Castro-Franco, Mauricio, & Cruz-Roa, Angel. (2017). Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales. ORINOQUIA, 21(Suppl. 1), 64- 75. https://doi.org/10.22579/20112629.432S. Shalev-Schwartz, S. Ben-David.K.C, Understanding Machine Learning: From Theory to Algorithms. NY, USA: Cambridge University Press, 2014.The MathWorks, Inc. (2022). Deep learning toolbox. Recuperado de: https://la.mathworks.com/products/deep-learning.htmlSarmiento-Ramos, José Luis (2020). Aplicaciones de las redes neuronales y el deep learning a la ingeniería biomédica . Revista UIS Ingenierías, 19(4),1-18.[fecha de Consulta 2 de Octubre de 2022]. ISSN: 1657-4583. Disponible en: https://www.redalyc.org/articulo.oa?id=553768213002Borrero, I. P., & Arias, M. E. G. (2021). DEEP LEARNING. https://books.google.com.co/books?id=kzsvEAAAQBAJSOFTWARETESTINGHELP (2022). Data Mining Vs Machine Learning Vs Artificial Intelligence Vs Deep Learning. From: https://www.softwaretestinghelp.com/data-mining-vs-machine- learning-vs-ai/SAL Engineering (2017). MAIA S2 and Sentinel-2: remote to proximal sensing. From: https://www.spectralcam.com/2019/02/12/maia-s2-and-sentinel-2-multispectral-images- for-agriculture/Alonso, D. (2019). Formación que impulsa tu perfil GIS. (MappingGIS, Productor) Obtenido de Combinación de bandas en imágenes de satélite Landsat y Sentinel: https://mappinggis.com/2019/05/combinaciones-de-bandas-en-imagenes-de-satelite- landsat-ysentinel/ESA. (2015). Sentinel-2 User Handbook. ESA Standard Document.Zhang, Tianxiang & su, Jinya & Liu, Cunjia & Chen, Wen-Hua. (2018). Potential Bands of Sentinel-2A Satellite for Classification Problems in Precision Agriculture. 10.1007/s11633- 018-1143-x.Grégory, G & Hy, D. (2016). Sentinel-2 and Landsat-7 satellite images qualitative comparison for evaluating advances in detecting lakes quality parameters.Zeng, Xiao-Dong & Chao, Sam & Wong, Derek. (2010). Optimization of bagging classifiers based on SBCB algorithm. 1. 262 - 267. 10.1109/ICMLC.2010.5581054.201620855PublicationORIGINALDeep learning para clasificación automática de cobertura de suelo en imágenes satelitales.pdfDeep learning para clasificación automática de cobertura de suelo en imágenes satelitales.pdfTrabajo de gradoapplication/pdf2706582https://repositorio.uniandes.edu.co/bitstreams/62d93a50-5d88-40d3-9b44-35c5e2c2811b/download3da87b26dad98f1e517898d33146925dMD52autorizacion tesis.pdfautorizacion tesis.pdfHIDEapplication/pdf346615https://repositorio.uniandes.edu.co/bitstreams/b2707b99-d5e3-405b-97de-dbbe1159c29e/downloadc289eb8845f5d052fe01d2adc7b8c4e3MD53THUMBNAILDeep learning para clasificación automática de cobertura de suelo en imágenes satelitales.pdf.jpgDeep learning para clasificación automática de cobertura de suelo en imágenes satelitales.pdf.jpgIM Thumbnailimage/jpeg6368https://repositorio.uniandes.edu.co/bitstreams/7de3286e-b81e-4689-b493-c1abf1a33260/downloadd9a0d391205039ac5d8989e98513ded5MD55autorizacion tesis.pdf.jpgautorizacion tesis.pdf.jpgIM Thumbnailimage/jpeg15732https://repositorio.uniandes.edu.co/bitstreams/1c966a79-32e5-4c04-a19a-7ddd9bd84bef/downloadac08c48559b97f8638874c2819d83215MD57LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/72014e11-d409-432a-b5c4-961de51abdae/download5aa5c691a1ffe97abd12c2966efcb8d6MD51TEXTDeep learning para clasificación automática de cobertura de suelo en imágenes satelitales.pdf.txtDeep learning para clasificación automática de cobertura de suelo en imágenes satelitales.pdf.txtExtracted texttext/plain66901https://repositorio.uniandes.edu.co/bitstreams/b061c592-e556-412e-9e0b-d00af0266577/download78b94b023bb6469c284e6b0747193100MD54autorizacion tesis.pdf.txtautorizacion tesis.pdf.txtExtracted texttext/plain1161https://repositorio.uniandes.edu.co/bitstreams/de34e3cf-1960-44ac-8361-4bc745a6f718/download08b106dfeb12472e88207a069e15ba30MD561992/70909oai:repositorio.uniandes.edu.co:1992/709092023-10-10 18:19:18.124https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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