Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales
Esta tesis aborda el desafío de optimizar la agricultura utilizando técnicas de Deep Learning para la clasificación de cultivos en imágenes satelitales de Sentinel 1 y Sentinel 2, enfocándose en la región de Colombia. Frente a la creciente demanda de alimentos y el cambio climático, se desarrolla un...
- Autores:
-
Gamez Abril, Kevin Steven
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/73839
- Acceso en línea:
- https://hdl.handle.net/1992/73839
- Palabra clave:
- Deep Learning
Imágenes satelitales
Clasificación de cultivos
agricultura
Misiones Sentinel
Gestión de recursos
Productividad agrícola
Sensores remotos
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
| Summary: | Esta tesis aborda el desafío de optimizar la agricultura utilizando técnicas de Deep Learning para la clasificación de cultivos en imágenes satelitales de Sentinel 1 y Sentinel 2, enfocándose en la región de Colombia. Frente a la creciente demanda de alimentos y el cambio climático, se desarrolla un modelo avanzado para mejorar la gestión de recursos agrícolas y la productividad. El estudio comienza con un análisis exhaustivo del estado del arte en la identificación de zonas cultivadas mediante Deep Learning, destacando la necesidad de optimizar el uso de recursos como agua y fertilizantes. Se implementa un modelo basado en la arquitectura DeepLab V3+ con ajustes en MobileNet V3 y ResNet50, para clasificar cultivos de palma de aceite en Colombia. Se emplean estrategias como transferencia de aprendizaje y ajuste fino, utilizando modelos pre entrenados para acelerar el entrenamiento. El diseño metodológico se divide en tres fases: modelado, implementación y validación. Se evalúan métricas de desempeño y se analizan limitaciones, especialmente en la detección de áreas recién despejadas y plantaciones jóvenes. Los resultados muestran una alta precisión del modelo en la clasificación de cultivos de palma de aceite, destacando su eficacia y potencial para aplicaciones prácticas en la gestión agrícola. Se concluye la superioridad del Deep Learning sobre métodos tradicionales, sugiriendo futuras mejoras y ampliación del estudio a otros cultivos y condiciones geográficas. |
|---|