Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite
En el contexto de los lotes agrícolas, es de interés hacer seguimientos sobre los cultivos que se están actualmente sembrando. Sin embargo, el problema yace en que esta tarea es aún en su mayoría de carácter manual, lo que implica una visita física al sitio. Este obstáculo conduce a la exploración d...
- Autores:
-
Castillo Andrade, Daniel del
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/54922
- Acceso en línea:
- http://hdl.handle.net/1992/54922
- Palabra clave:
- Machine learning
modelos de una clase
imágenes satelitales
Aprendizaje automático (Inteligencia artificial)
Imágenes de detección a distancia
Sensores remotos
Estimación de cosechas
Ingeniería
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
| id |
UNIANDES2_93e754de410b1611182901712656c9e4 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/54922 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite |
| title |
Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite |
| spellingShingle |
Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite Machine learning modelos de una clase imágenes satelitales Aprendizaje automático (Inteligencia artificial) Imágenes de detección a distancia Sensores remotos Estimación de cosechas Ingeniería |
| title_short |
Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite |
| title_full |
Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite |
| title_fullStr |
Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite |
| title_full_unstemmed |
Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite |
| title_sort |
Aplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satélite |
| dc.creator.fl_str_mv |
Castillo Andrade, Daniel del |
| dc.contributor.advisor.none.fl_str_mv |
Núñez Castro, Haydemar María |
| dc.contributor.author.none.fl_str_mv |
Castillo Andrade, Daniel del |
| dc.subject.keyword.none.fl_str_mv |
Machine learning modelos de una clase imágenes satelitales |
| topic |
Machine learning modelos de una clase imágenes satelitales Aprendizaje automático (Inteligencia artificial) Imágenes de detección a distancia Sensores remotos Estimación de cosechas Ingeniería |
| dc.subject.armarc.none.fl_str_mv |
Aprendizaje automático (Inteligencia artificial) Imágenes de detección a distancia Sensores remotos Estimación de cosechas |
| dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
| description |
En el contexto de los lotes agrícolas, es de interés hacer seguimientos sobre los cultivos que se están actualmente sembrando. Sin embargo, el problema yace en que esta tarea es aún en su mayoría de carácter manual, lo que implica una visita física al sitio. Este obstáculo conduce a la exploración del uso de imágenes satelitales para efectuar el seguimiento; no obstante, el reconocimiento visual también es aún de carácter manual, por lo que se considera el uso de técnicas de visión por computador para la detección y clasificación automática de cultivos. Dicho esto, el proyecto explora la aplicación de modelos de clasificación de una sola clase para la identificación de cultivos en imágenes satelitales. En particular, la aplicación de modelos basados en Deep Learning y modelos tradicionales de Machine Learning. Los resultados indican que la aplicación de estos modelos para la detección de cultivos es viable, siendo eficiente y con un bajo margen de error. Específicamente, se encontró que la aplicación de modelos basados en deep learning tuvo un mejor rendimiento general sobre los modelos tradicionales. |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021-12-08 |
| dc.date.accessioned.none.fl_str_mv |
2022-02-18T15:19:13Z |
| dc.date.available.none.fl_str_mv |
2022-02-18T15:19:13Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/54922 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/54922 |
| 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 |
C. Drummond, Classification. Boston, MA: Springer US, 2017, pp. 205-208. [Online]. Available: https://doi.org/10.1007/978-1-4899-7687-1_111 D. Tax, One-class classification; concept-learning in the absence of counterexamples. ph. d thesis. delft university of technology, asci dissertation series, 2001. 146 p, 2001. C. Sammut and G. I. Webb, Eds., Unsupervised Learning. Boston, MA: Springer US, 2017, pp. 1304-1304. [Online]. Available: https://doi.org/10.1007/978-1-4899-7687-1_976 C. Pulido, "Metodología para el monitoreo de cultivos a partir de imágenes satelitales con machine learning," Master's thesis, Universidad de los Andes, Bogotá D.C., 6 2020. "Machine Learning: Based Predictive Farmland Optimization and Crop Monitoring System," pp. 1-12, May 2020, publisher: Hindawi Limited. F. Balducci, D. Impedovo, and G. Pirlo, "Machine learning applications on agricultural datasets for smart farm enhancement," Machines, vol. 6, no. 3, 2018. [Online]. Available: https://www.mdpi.com/2075-1702/6/3/38 "Comparison of machine learning algorithms random forest, artificial neural network and support vector machine to maximum likelihood for supervised crop type classification," pp. 35-41, May 2012. J. H. Jeong, J. P. Resop, N. D. Mueller, D. H. Fleisher, K. Yun, E. E. Butler, D. J. Timlin, K.-M. Shim, J. S. Gerber, V. R. Reddy, and S.-H. Kim, "Random Forests for Global and Regional Crop Yield Predictions," PLOS ONE, vol. 11, no. 6, Jun. 2016, publisher: Public Library of Science. [Online]. Available: https://journals.plos.org/plosone/article-id=10.1371/journal.pone.0156571 Konstantinos G. Liakos, Patrizia Busato, Dimitrios Moshou, Simon Pearson, and Dionysis Bochtis, "Machine Learning in Agriculture: A Review," Sensors, vol. 18, no. 8, pp. 2674¿2674, Aug. 2018, publisher: MDPI AG. C. Sammut and G. I. Webb, Eds., Principal Component Analysis. Boston, MA: Springer US, 2017, pp. 1006-1006. [Online]. Available: https://doi.org/10.1007/978-1-4899-7687-1_665 D. Berrar, "Performance measures for binary classification," in Encyclopedia of Bioinformatics and Computational Biology, S. Ranganathan, M. Gribskov, K. Nakai, and C. Schönbach, Eds. Oxford: Academic Press, 2019, pp. 546-560. [Online]. Available: https://www.sciencedirect.com/science/ article/pii/B9780128096338203518 Scikit-learn. (2021) Metrics and scoring: quantifying the quality of predictions. [Online]. Available: https://scikit-learn.org/stable/modules/model_evaluation.html D. M. Powers, "Evaluation: from Precision, Recall and F-measure to ROC, Informedness, Markedness and Correlation," Dec. 2011. [Online]. Available: https://dspace.flinders.edu.au/xmlui/ handle/2328/27165 The Keras Blog. (2016) Building Autoencoders in Keras. [Online]. Available: hhttps: //blog.keras.io/building-autoencoders-in-keras.html The European Space Agency. (2021) MultiSpectral Instrument (MSI) Overview. [Online]. Available: https://sentinel.esa.int/web/sentinel/technical-guides/sentinel-2-msi/msi-instrument A. Dertat, "Applied Deep Learning - Part 3: Autoencoders," Oct. 2017. [Online]. Available: https://towardsdatascience.com/applied-deep-learning-part-3-autoencoders-1c083af4d798 S. Y. Shin and H.-j. Kim, "Extended Autoencoder for Novelty Detection with Reconstruction along Projection Pathway," Applied Sciences, vol. 10, no. 13, p. 4497, Jan. 2020, number: 13 Publisher: Multidisciplinary Digital Publishing Institute. [Online]. Available: https://www.mdpi. com/2076-3417/10/13/4497 |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
19 hojas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.es_CO.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/51cc991d-1531-4bf7-8134-370f99c290db/download https://repositorio.uniandes.edu.co/bitstreams/499d9d0a-62d6-4179-944f-083c2d12ca43/download https://repositorio.uniandes.edu.co/bitstreams/ce59774f-1506-42ed-a96b-800d9d62a7f5/download https://repositorio.uniandes.edu.co/bitstreams/5a4fc23b-9d28-44d6-a93c-5f6802412ee5/download |
| bitstream.checksum.fl_str_mv |
d32ede3f5b11f6fdb644e41d5527f822 5aa5c691a1ffe97abd12c2966efcb8d6 631e94ac3aaa62e1f3fd09bdc50636b0 9c7ded34688a8a69cf04cfa4503abbd6 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812134004006060032 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Núñez Castro, Haydemar María6748bb65-c21f-4353-876a-ff3695fe396e600Castillo Andrade, Daniel delf79aea15-7b7f-45e4-9401-569d8f06f6496002022-02-18T15:19:13Z2022-02-18T15:19:13Z2021-12-08http://hdl.handle.net/1992/54922instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En el contexto de los lotes agrícolas, es de interés hacer seguimientos sobre los cultivos que se están actualmente sembrando. Sin embargo, el problema yace en que esta tarea es aún en su mayoría de carácter manual, lo que implica una visita física al sitio. Este obstáculo conduce a la exploración del uso de imágenes satelitales para efectuar el seguimiento; no obstante, el reconocimiento visual también es aún de carácter manual, por lo que se considera el uso de técnicas de visión por computador para la detección y clasificación automática de cultivos. Dicho esto, el proyecto explora la aplicación de modelos de clasificación de una sola clase para la identificación de cultivos en imágenes satelitales. En particular, la aplicación de modelos basados en Deep Learning y modelos tradicionales de Machine Learning. Los resultados indican que la aplicación de estos modelos para la detección de cultivos es viable, siendo eficiente y con un bajo margen de error. Específicamente, se encontró que la aplicación de modelos basados en deep learning tuvo un mejor rendimiento general sobre los modelos tradicionales.Ingeniero de Sistemas y ComputaciónPregrado19 hojasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y ComputaciónAplicación de técnicas de machine learning para la construcción de modelos de una sola clase en la identificación de cultivos a partir de imágenes de satéliteTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPMachine learningmodelos de una claseimágenes satelitalesAprendizaje automático (Inteligencia artificial)Imágenes de detección a distanciaSensores remotosEstimación de cosechasIngenieríaC. Drummond, Classification. Boston, MA: Springer US, 2017, pp. 205-208. [Online]. Available: https://doi.org/10.1007/978-1-4899-7687-1_111D. Tax, One-class classification; concept-learning in the absence of counterexamples. ph. d thesis. delft university of technology, asci dissertation series, 2001. 146 p, 2001.C. Sammut and G. I. Webb, Eds., Unsupervised Learning. Boston, MA: Springer US, 2017, pp. 1304-1304. [Online]. Available: https://doi.org/10.1007/978-1-4899-7687-1_976C. Pulido, "Metodología para el monitoreo de cultivos a partir de imágenes satelitales con machine learning," Master's thesis, Universidad de los Andes, Bogotá D.C., 6 2020."Machine Learning: Based Predictive Farmland Optimization and Crop Monitoring System," pp. 1-12, May 2020, publisher: Hindawi Limited.F. Balducci, D. Impedovo, and G. Pirlo, "Machine learning applications on agricultural datasets for smart farm enhancement," Machines, vol. 6, no. 3, 2018. [Online]. Available: https://www.mdpi.com/2075-1702/6/3/38"Comparison of machine learning algorithms random forest, artificial neural network and support vector machine to maximum likelihood for supervised crop type classification," pp. 35-41, May 2012.J. H. Jeong, J. P. Resop, N. D. Mueller, D. H. Fleisher, K. Yun, E. E. Butler, D. J. Timlin, K.-M. Shim, J. S. Gerber, V. R. Reddy, and S.-H. Kim, "Random Forests for Global and Regional Crop Yield Predictions," PLOS ONE, vol. 11, no. 6, Jun. 2016, publisher: Public Library of Science. [Online]. Available: https://journals.plos.org/plosone/article-id=10.1371/journal.pone.0156571Konstantinos G. Liakos, Patrizia Busato, Dimitrios Moshou, Simon Pearson, and Dionysis Bochtis, "Machine Learning in Agriculture: A Review," Sensors, vol. 18, no. 8, pp. 2674¿2674, Aug. 2018, publisher: MDPI AG.C. Sammut and G. I. Webb, Eds., Principal Component Analysis. Boston, MA: Springer US, 2017, pp. 1006-1006. [Online]. Available: https://doi.org/10.1007/978-1-4899-7687-1_665D. Berrar, "Performance measures for binary classification," in Encyclopedia of Bioinformatics and Computational Biology, S. Ranganathan, M. Gribskov, K. Nakai, and C. Schönbach, Eds. Oxford: Academic Press, 2019, pp. 546-560. [Online]. Available: https://www.sciencedirect.com/science/ article/pii/B9780128096338203518Scikit-learn. (2021) Metrics and scoring: quantifying the quality of predictions. [Online]. Available: https://scikit-learn.org/stable/modules/model_evaluation.htmlD. M. Powers, "Evaluation: from Precision, Recall and F-measure to ROC, Informedness, Markedness and Correlation," Dec. 2011. [Online]. Available: https://dspace.flinders.edu.au/xmlui/ handle/2328/27165The Keras Blog. (2016) Building Autoencoders in Keras. [Online]. Available: hhttps: //blog.keras.io/building-autoencoders-in-keras.htmlThe European Space Agency. (2021) MultiSpectral Instrument (MSI) Overview. [Online]. Available: https://sentinel.esa.int/web/sentinel/technical-guides/sentinel-2-msi/msi-instrumentA. Dertat, "Applied Deep Learning - Part 3: Autoencoders," Oct. 2017. [Online]. Available: https://towardsdatascience.com/applied-deep-learning-part-3-autoencoders-1c083af4d798S. Y. Shin and H.-j. Kim, "Extended Autoencoder for Novelty Detection with Reconstruction along Projection Pathway," Applied Sciences, vol. 10, no. 13, p. 4497, Jan. 2020, number: 13 Publisher: Multidisciplinary Digital Publishing Institute. [Online]. Available: https://www.mdpi. com/2076-3417/10/13/4497201630945PublicationTEXTTesis.pdf.txtTesis.pdf.txtExtracted texttext/plain33862https://repositorio.uniandes.edu.co/bitstreams/51cc991d-1531-4bf7-8134-370f99c290db/downloadd32ede3f5b11f6fdb644e41d5527f822MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/499d9d0a-62d6-4179-944f-083c2d12ca43/download5aa5c691a1ffe97abd12c2966efcb8d6MD51THUMBNAILTesis.pdf.jpgTesis.pdf.jpgIM Thumbnailimage/jpeg6807https://repositorio.uniandes.edu.co/bitstreams/ce59774f-1506-42ed-a96b-800d9d62a7f5/download631e94ac3aaa62e1f3fd09bdc50636b0MD53ORIGINALTesis.pdfTesis.pdfDocumento de tesisapplication/pdf920404https://repositorio.uniandes.edu.co/bitstreams/5a4fc23b-9d28-44d6-a93c-5f6802412ee5/download9c7ded34688a8a69cf04cfa4503abbd6MD521992/54922oai:repositorio.uniandes.edu.co:1992/549222023-10-10 18:34:34.215http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |