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
id |
UNIANDES2_cec9266f3d039e7f2c8cfff873dbc290 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/73839 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.none.fl_str_mv |
Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales |
title |
Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales |
spellingShingle |
Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales Deep Learning Imágenes satelitales Clasificación de cultivos agricultura Misiones Sentinel Gestión de recursos Productividad agrícola Sensores remotos Ingeniería |
title_short |
Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales |
title_full |
Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales |
title_fullStr |
Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales |
title_full_unstemmed |
Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales |
title_sort |
Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre imágenes satelitales |
dc.creator.fl_str_mv |
Gamez Abril, Kevin Steven |
dc.contributor.advisor.none.fl_str_mv |
Núñez Castro, Haydemar María Calderón Romero, Andrés Oswaldo |
dc.contributor.author.none.fl_str_mv |
Gamez Abril, Kevin Steven |
dc.contributor.researchgroup.none.fl_str_mv |
Facultad de Ingeniería::COMIT - Comunicaciones y Tecnología de Información |
dc.subject.keyword.spa.fl_str_mv |
Deep Learning Imágenes satelitales Clasificación de cultivos agricultura Misiones Sentinel Gestión de recursos Productividad agrícola Sensores remotos |
topic |
Deep Learning Imágenes satelitales Clasificación de cultivos agricultura Misiones Sentinel Gestión de recursos Productividad agrícola Sensores remotos Ingeniería |
dc.subject.themes.spa.fl_str_mv |
Ingeniería |
description |
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. |
publishDate |
2024 |
dc.date.accessioned.none.fl_str_mv |
2024-02-02T19:36:31Z |
dc.date.available.none.fl_str_mv |
2024-02-02T19:36:31Z |
dc.date.issued.none.fl_str_mv |
2024-02-01 |
dc.type.none.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.none.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 |
https://hdl.handle.net/1992/73839 |
dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
https://hdl.handle.net/1992/73839 |
identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.relation.references.none.fl_str_mv |
Bejarano, J. A. (1980). Los estudios sobre la historia del café en Colombia. Cuadernos de Economía, 1(2), 115–140. https://revistas.unal.edu.co/index.php/ceconomia/article/view/19063 Boryan, C., Yang, Z., Mueller, R., & Craig, M. (2011). Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, Cropland Data Layer Program. http://dx.doi.org/10.1080/10106049.2011.562309, 26(5), 341–358. https://doi.org/10.1080/10106049.2011.562309 Chen, H., Wang, Y., Guo, T., Xu, C., Deng, Y., Liu, Z., Ma, S., Xu, C., Xu, C., & Gao, W. (2021). Pre-Trained Image Processing Transformer (pp. 12299–12310). Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2016). DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. http://arxiv.org/abs/1606.00915 Chen, L.-C., Papandreou, G., Schroff, F., & Adam, H. (2017). Rethinking Atrous Convolution for Semantic Image Segmentation. https://arxiv.org/abs/1706.05587v3 Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., & Adam, H. (2018). Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation. http://arxiv.org/abs/1802.02611 Cho, K., van Merriënboer, B., Bahdanau, D., & Bengio, Y. (2014). On the Properties of Neural Machine Translation: Encoder-Decoder Approaches. Proceedings of SSST 2014 - 8th Workshop on Syntax, Semantics and Structure in Statistical Translation, 103–111. https://doi.org/10.3115/v1/w14-4012 Chollet, F. (2016). Xception: Deep Learning with Depthwise Separable Convolutions. http://arxiv.org/abs/1610.02357 Courses Teach. (2023, julio). Deep Learning (Part 1):Understanding Basic Neural Networks. https://medium.com/@Coursesteach/deep-learning-part-1-86757cf5a0c3 Cunha, R. L. F., & Silva, B. (2020). ESTIMATING CROP YIELDS WITH REMOTE SENSING AND DEEP LEARNING. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, IV-3/W2-2020, 59–64. https://doi.org/10.5194/isprs-annals-iv-3-w2-2020-59-2020 DANE. (2014). 3 er Censo Nacional Agropecuario. Debaeke, P., Attia, F., Champolivier, L., Dejoux, J. F., Micheneau, A., Bitar, A. Al, & Trépos, R. (2023). Forecasting sunflower grain yield using remote sensing data and statistical models. European Journal of Agronomy, 142. https://doi.org/10.1016/j.eja.2022.126677 Descals, A., Wich, S., Meijaard, E., Gaveau, D. L. A., Peedell, S., & Szantoi, Z. (2021). High-resolution global map of smallholder and industrial closed-canopy oil palm plantations. Earth System Science Data, 13(3), 1211–1231. https://doi.org/10.5194/ESSD-13-1211-2021 Diaz, N. (2023). Herramienta para la estimación del potencial bioenergético en municipios vulnerables de Colombia mediante imágenes satelitales y machine learning. Divakar, M. S., Elayidom, M. S., & Rajesh, R. (2022). Forecasting crop yield with deep learning based ensemble model. Materials Today: Proceedings, 58, 256–259. https://doi.org/10.1016/j.matpr.2022.02.109 Dumoulin, V., Visin, F., & Box, G. E. P. (2018). A guide to convolution arithmetic for deep learning. http://ethanschoonover.com/solarized Earth Engine Data Catalog: Sentinel-1 SAR GRD: C-band Synthetic Aperture Radar Ground Range Detected, log scaling. (2014). Elharrouss, O., Akbari, Y., Almaadeed, N., & Al-Maadeed, S. (2022). Backbones-Review: Feature Extraction Networks for Deep Learning and Deep Reinforcement Learning Approaches. https://arxiv.org/abs/2206.08016v1 European Space Agency. (2017). Earth Engine Data Catalog: Sentinel-2 MSI: MultiSpectral Instrument, Level-2A. https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR. Geng, L., Che, T., Ma, M., Tan, J., & Wang, H. (2021). Corn biomass estimation by integrating remote sensing and long-term observation data based on machine learning techniques. Remote Sensing, 13(12). https://doi.org/10.3390/rs13122352 Goyal S. (2021). Evaluation Metrics for Classification Models. https://medium.com/analytics-vidhya/evaluation-metrics-for-classification-models-e2f0d8009d69 Guo, Y., Liu, Y., Georgiou, T., & Lew, M. S. (2018). A review of semantic segmentation using deep neural networks. International Journal of Multimedia Information Retrieval, 7(2), 87–93. https://doi.org/10.1007/S13735-017-0141-Z/FIGURES/3 Hu, K., Wang, Z., Coleman, G., Bender, A., Yao, T., Zeng, S., Song, D., Schumann, A., & Walsh, M. (2021). Deep Learning Techniques for In-Crop Weed Identification: A Review. Junguito, R., Perfetti, J. J., & Becerra, A. (2014). Desarrollo de la agricultura colombiana. Cuadernos de Fedesarrollo. https://ideas.repec.org/p/col/000439/011565.html Martello, M., Molin, J. P., Wei, M. C. F., Canal Filho, R., & Nicoletti, J. V. M. (2022). Coffee-Yield Estimation Using High-Resolution Time-Series Satellite Images and Machine Learning. AgriEngineering, 4(4), 888–902. https://doi.org/10.3390/agriengineering4040057 Thayer, A. W., Vargas, A., Castellanos, A. A., Lafon, C. W., McCarl, B. A., Roelke, D. L., Winemiller, K. O., & Lacher, T. E. (2020). Integrating Agriculture and Ecosystems to Find Suitable Adaptations to Climate Change. Climate 2020, Vol. 8, Page 10, 8(1), 10. https://doi.org/10.3390/CLI8010010 Vargas, R., Mosavi, A., & Ruiz, R. (2017). Deep learning: A review. Victor, B., He, Z., & Nibali, A. (2022). A systematic review of the use of Deep Learning in Satellite Imagery for Agriculture. https://arxiv.org/abs/2210.01272v2 |
dc.rights.en.fl_str_mv |
Attribution 4.0 International |
dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
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 |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.none.fl_str_mv |
57 páginas |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Sistemas y Computación |
publisher.none.fl_str_mv |
Universidad de los Andes |
institution |
Universidad de los Andes |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/0edc290e-f661-4c62-93fb-1d0e4a5990c6/download https://repositorio.uniandes.edu.co/bitstreams/a5e3368e-34f9-45ff-b0e4-52ee62f6f729/download https://repositorio.uniandes.edu.co/bitstreams/aaf7a3a3-c599-46f8-9783-42c41b37b0ae/download https://repositorio.uniandes.edu.co/bitstreams/3af30b30-1ef4-4a0d-8d28-7bc0a652a404/download https://repositorio.uniandes.edu.co/bitstreams/2fb1aa38-cb67-4c1d-af55-4c01a143abb2/download https://repositorio.uniandes.edu.co/bitstreams/f5b80401-4227-4234-96df-85df036b2dd6/download https://repositorio.uniandes.edu.co/bitstreams/3ee7d128-505f-4497-a798-a9fc3fe4f104/download https://repositorio.uniandes.edu.co/bitstreams/c5a76595-245e-46ca-a978-a98ee92c516a/download |
bitstream.checksum.fl_str_mv |
ae9e573a68e7f92501b6913cc846c39f 1d90ec3bd71dd896a42c6a79b9a62193 50dac8b1454eb541b83e1e4a0d0a8cf1 0175ea4a2d4caec4bbcc37e300941108 e76c96a59c9e0742592310a841c94bcd cab38a6ffc82e8cad94c789c6ef6ca68 bd30b8e2c52fa13b10f67e0522e7f399 6dfb8ec4b8b58ca5f673ef4710d2ee15 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 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_ |
1812133850964295680 |
spelling |
Núñez Castro, Haydemar MaríaCalderón Romero, Andrés OswaldoGamez Abril, Kevin StevenFacultad de Ingeniería::COMIT - Comunicaciones y Tecnología de Información2024-02-02T19:36:31Z2024-02-02T19:36:31Z2024-02-01https://hdl.handle.net/1992/73839instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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.This thesis addresses the challenge of optimizing agriculture through the use of Deep Learning techniques for crop classification in Sentinel 1 and Sentinel 2 satellite images, focusing on the region of Colombia. In response to the increasing demand for food and climate change, an advanced model is developed to improve agricultural resource management and productivity. The study begins with a comprehensive analysis of the state of the art in identifying cultivated areas using Deep Learning, highlighting the need to optimize the use of resources such as water and fertilizers. A model based on the DeepLab V3+ architecture with adjustments in MobileNet V3 and ResNet50 is implemented to classify oil palm crops in Colombia. Strategies such as transfer learning and fine-tuning are employed, using pretrained models to accelerate training. The methodological design is divided into three phases: modeling, implementation, and validation. Performance metrics are evaluated, and limitations are analyzed, especially in detecting newly cleared areas and young plantations. The results show the model's high accuracy in classifying oil palm crops, underscoring its effectiveness and potential for practical applications in agricultural management. The study concludes with the superiority of Deep Learning over traditional methods and suggests future improvements and expansion of the study to other crops and geographical conditions.Ingeniero de Sistemas y ComputaciónPregrado57 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería Sistemas y ComputaciónAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Deep Learning en agricultura: conceptos y aplicaciones en la identificación de cultivos sobre 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/TPDeep LearningImágenes satelitalesClasificación de cultivosagriculturaMisiones SentinelGestión de recursosProductividad agrícolaSensores remotosIngenieríaBejarano, J. A. (1980). Los estudios sobre la historia del café en Colombia. Cuadernos de Economía, 1(2), 115–140. https://revistas.unal.edu.co/index.php/ceconomia/article/view/19063Boryan, C., Yang, Z., Mueller, R., & Craig, M. (2011). Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, Cropland Data Layer Program. http://dx.doi.org/10.1080/10106049.2011.562309, 26(5), 341–358. https://doi.org/10.1080/10106049.2011.562309Chen, H., Wang, Y., Guo, T., Xu, C., Deng, Y., Liu, Z., Ma, S., Xu, C., Xu, C., & Gao, W. (2021). Pre-Trained Image Processing Transformer (pp. 12299–12310).Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2016). DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. http://arxiv.org/abs/1606.00915Chen, L.-C., Papandreou, G., Schroff, F., & Adam, H. (2017). Rethinking Atrous Convolution for Semantic Image Segmentation. https://arxiv.org/abs/1706.05587v3Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., & Adam, H. (2018). Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation. http://arxiv.org/abs/1802.02611Cho, K., van Merriënboer, B., Bahdanau, D., & Bengio, Y. (2014). On the Properties of Neural Machine Translation: Encoder-Decoder Approaches. Proceedings of SSST 2014 - 8th Workshop on Syntax, Semantics and Structure in Statistical Translation, 103–111. https://doi.org/10.3115/v1/w14-4012Chollet, F. (2016). Xception: Deep Learning with Depthwise Separable Convolutions. http://arxiv.org/abs/1610.02357Courses Teach. (2023, julio). Deep Learning (Part 1):Understanding Basic Neural Networks. https://medium.com/@Coursesteach/deep-learning-part-1-86757cf5a0c3Cunha, R. L. F., & Silva, B. (2020). ESTIMATING CROP YIELDS WITH REMOTE SENSING AND DEEP LEARNING. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, IV-3/W2-2020, 59–64. https://doi.org/10.5194/isprs-annals-iv-3-w2-2020-59-2020DANE. (2014). 3 er Censo Nacional Agropecuario.Debaeke, P., Attia, F., Champolivier, L., Dejoux, J. F., Micheneau, A., Bitar, A. Al, & Trépos, R. (2023). Forecasting sunflower grain yield using remote sensing data and statistical models. European Journal of Agronomy, 142. https://doi.org/10.1016/j.eja.2022.126677Descals, A., Wich, S., Meijaard, E., Gaveau, D. L. A., Peedell, S., & Szantoi, Z. (2021). High-resolution global map of smallholder and industrial closed-canopy oil palm plantations. Earth System Science Data, 13(3), 1211–1231. https://doi.org/10.5194/ESSD-13-1211-2021Diaz, N. (2023). Herramienta para la estimación del potencial bioenergético en municipios vulnerables de Colombia mediante imágenes satelitales y machine learning.Divakar, M. S., Elayidom, M. S., & Rajesh, R. (2022). Forecasting crop yield with deep learning based ensemble model. Materials Today: Proceedings, 58, 256–259. https://doi.org/10.1016/j.matpr.2022.02.109Dumoulin, V., Visin, F., & Box, G. E. P. (2018). A guide to convolution arithmetic for deep learning. http://ethanschoonover.com/solarizedEarth Engine Data Catalog: Sentinel-1 SAR GRD: C-band Synthetic Aperture Radar Ground Range Detected, log scaling. (2014).Elharrouss, O., Akbari, Y., Almaadeed, N., & Al-Maadeed, S. (2022). Backbones-Review: Feature Extraction Networks for Deep Learning and Deep Reinforcement Learning Approaches. https://arxiv.org/abs/2206.08016v1European Space Agency. (2017). Earth Engine Data Catalog: Sentinel-2 MSI: MultiSpectral Instrument, Level-2A. https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR.Geng, L., Che, T., Ma, M., Tan, J., & Wang, H. (2021). Corn biomass estimation by integrating remote sensing and long-term observation data based on machine learning techniques. Remote Sensing, 13(12). https://doi.org/10.3390/rs13122352Goyal S. (2021). Evaluation Metrics for Classification Models. https://medium.com/analytics-vidhya/evaluation-metrics-for-classification-models-e2f0d8009d69Guo, Y., Liu, Y., Georgiou, T., & Lew, M. S. (2018). A review of semantic segmentation using deep neural networks. International Journal of Multimedia Information Retrieval, 7(2), 87–93. https://doi.org/10.1007/S13735-017-0141-Z/FIGURES/3Hu, K., Wang, Z., Coleman, G., Bender, A., Yao, T., Zeng, S., Song, D., Schumann, A., & Walsh, M. (2021). Deep Learning Techniques for In-Crop Weed Identification: A Review.Junguito, R., Perfetti, J. J., & Becerra, A. (2014). Desarrollo de la agricultura colombiana. Cuadernos de Fedesarrollo. https://ideas.repec.org/p/col/000439/011565.htmlMartello, M., Molin, J. P., Wei, M. C. F., Canal Filho, R., & Nicoletti, J. V. M. (2022). Coffee-Yield Estimation Using High-Resolution Time-Series Satellite Images and Machine Learning. AgriEngineering, 4(4), 888–902. https://doi.org/10.3390/agriengineering4040057Thayer, A. W., Vargas, A., Castellanos, A. A., Lafon, C. W., McCarl, B. A., Roelke, D. L., Winemiller, K. O., & Lacher, T. E. (2020). Integrating Agriculture and Ecosystems to Find Suitable Adaptations to Climate Change. Climate 2020, Vol. 8, Page 10, 8(1), 10. https://doi.org/10.3390/CLI8010010Vargas, R., Mosavi, A., & Ruiz, R. (2017). Deep learning: A review.Victor, B., He, Z., & Nibali, A. (2022). A systematic review of the use of Deep Learning in Satellite Imagery for Agriculture. https://arxiv.org/abs/2210.01272v2201912514PublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/0edc290e-f661-4c62-93fb-1d0e4a5990c6/downloadae9e573a68e7f92501b6913cc846c39fMD51ORIGINALautorizacion_tesis.pdfautorizacion_tesis.pdfHIDEapplication/pdf177368https://repositorio.uniandes.edu.co/bitstreams/a5e3368e-34f9-45ff-b0e4-52ee62f6f729/download1d90ec3bd71dd896a42c6a79b9a62193MD52Deep Learning en agricultura.pdfDeep Learning en agricultura.pdfapplication/pdf1432020https://repositorio.uniandes.edu.co/bitstreams/aaf7a3a3-c599-46f8-9783-42c41b37b0ae/download50dac8b1454eb541b83e1e4a0d0a8cf1MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/3af30b30-1ef4-4a0d-8d28-7bc0a652a404/download0175ea4a2d4caec4bbcc37e300941108MD54TEXTautorizacion_tesis.pdf.txtautorizacion_tesis.pdf.txtExtracted texttext/plain1587https://repositorio.uniandes.edu.co/bitstreams/2fb1aa38-cb67-4c1d-af55-4c01a143abb2/downloade76c96a59c9e0742592310a841c94bcdMD55Deep Learning en agricultura.pdf.txtDeep Learning en agricultura.pdf.txtExtracted texttext/plain100644https://repositorio.uniandes.edu.co/bitstreams/f5b80401-4227-4234-96df-85df036b2dd6/downloadcab38a6ffc82e8cad94c789c6ef6ca68MD57THUMBNAILautorizacion_tesis.pdf.jpgautorizacion_tesis.pdf.jpgGenerated Thumbnailimage/jpeg11307https://repositorio.uniandes.edu.co/bitstreams/3ee7d128-505f-4497-a798-a9fc3fe4f104/downloadbd30b8e2c52fa13b10f67e0522e7f399MD56Deep Learning en agricultura.pdf.jpgDeep Learning en agricultura.pdf.jpgGenerated Thumbnailimage/jpeg9582https://repositorio.uniandes.edu.co/bitstreams/c5a76595-245e-46ca-a978-a98ee92c516a/download6dfb8ec4b8b58ca5f673ef4710d2ee15MD581992/73839oai:repositorio.uniandes.edu.co:1992/738392024-02-16 14:43:40.262http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |