Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales

La clasificación de cobertura del suelo es importante para estudios de cambio climático y monitoreo de servicios ecosistémicos. Los métodos convencionales de clasificación de coberturas se realizan mediante la interpretación visual de imágenes satelitales, lo cual es costoso, dispendioso e impreciso...

Full description

Autores:: Suárez Londoño, Arnol Sneider
Jiménez López, Andrés Fernando
Castro Franco, Mauricio
Cruz Roa, Angel Alfonso

Tipo de recurso:: Article of journal

Fecha de publicación:: 2017

Institución:: Universidad de los Llanos

Repositorio:: Repositorio Digital Universidad de los LLanos

Idioma:: spa

id	Unillanos2_ced0397ef58a42891f2ef22dca985846
oai_identifier_str	oai:repositorio.unillanos.edu.co:001/3906
network_acronym_str	Unillanos2
network_name_str	Repositorio Digital Universidad de los LLanos
repository_id_str
dc.title.spa.fl_str_mv	Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales
dc.title.translated.eng.fl_str_mv	Classification and automatic mapping of land covers in satellite images using Convolutional Neural Networks
title	Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales
spellingShingle	Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales Automatic learning land cover natural parks convolutional neural networks remote sensing Aprendizagem de máquina cobertura do solo parques naturais rede neural convolutional sensoriamento remoto Aprendizaje automático coberturas de suelo parques naturales redes neuronales convolucionales teledetección
title_short	Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales
title_full	Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales
title_fullStr	Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales
title_full_unstemmed	Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales
title_sort	Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales
dc.creator.fl_str_mv	Suárez Londoño, Arnol Sneider Jiménez López, Andrés Fernando Castro Franco, Mauricio Cruz Roa, Angel Alfonso
dc.contributor.author.spa.fl_str_mv	Suárez Londoño, Arnol Sneider Jiménez López, Andrés Fernando Castro Franco, Mauricio Cruz Roa, Angel Alfonso
dc.subject.eng.fl_str_mv	Automatic learning land cover natural parks convolutional neural networks remote sensing Aprendizagem de máquina cobertura do solo parques naturais rede neural convolutional sensoriamento remoto
topic	Automatic learning land cover natural parks convolutional neural networks remote sensing Aprendizagem de máquina cobertura do solo parques naturais rede neural convolutional sensoriamento remoto Aprendizaje automático coberturas de suelo parques naturales redes neuronales convolucionales teledetección
dc.subject.spa.fl_str_mv	Aprendizaje automático coberturas de suelo parques naturales redes neuronales convolucionales teledetección
description	La clasificación de cobertura del suelo es importante para estudios de cambio climático y monitoreo de servicios ecosistémicos. Los métodos convencionales de clasificación de coberturas se realizan mediante la interpretación visual de imágenes satelitales, lo cual es costoso, dispendioso e impreciso. Implementar métodos computacionales permite generar clasificación de coberturas en imágenes satelitales de manera automática, rápida, precisa y económica. Particularmente, los métodos de aprendizaje automático son técnicas computacionales promisorias para la estimación de cambios de cobertura del suelo. En este trabajo se presenta un método de aprendizaje automático basado en redes neuronales convolucionales de arquitectura tipo ConvNet para la clasificación automática de coberturas del suelo a partir de imágenes Landsat 5 TM. La ConvNet fue entrenada a partir de las anotaciones manuales por medio de interpretación visual sobre las imágenes satelitales con las que los expertos generaron el mapa de cobertura del parque nacional el Tuparro, de los Parques Nacionales Naturales de Colombia. El modelo de validación se realizó con datos de los mapas de coberturas del Amazonas colombiano realizado por el Sistema de Información Ambiental de Colombia. Los resultados obtenidos de la diagonal de la matriz de confusión de la exactitud promedio fue de 83.27% en entrenamiento y 91.02% en validación; para la clasificación en parches entre Bosques, áreas con vegetación herbácea y/o arbustiva, áreas abiertas sin o con poca vegetación y aguas continentales.
publishDate	2017
dc.date.accessioned.none.fl_str_mv	2017-07-16T00:00:00Z 2024-07-25T18:14:37Z
dc.date.available.none.fl_str_mv	2017-07-16T00:00:00Z 2024-07-25T18:14:37Z
dc.date.issued.none.fl_str_mv	2017-07-16
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501
dc.type.content.spa.fl_str_mv	Text
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0121-3709
dc.identifier.uri.none.fl_str_mv	https://repositorio.unillanos.edu.co/handle/001/3906
dc.identifier.doi.none.fl_str_mv	10.22579/20112629.432
dc.identifier.eissn.none.fl_str_mv	2011-2629
dc.identifier.url.none.fl_str_mv	https://doi.org/10.22579/20112629.432
identifier_str_mv	0121-3709 10.22579/20112629.432 2011-2629
url	https://repositorio.unillanos.edu.co/handle/001/3906 https://doi.org/10.22579/20112629.432
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Acevedo L, Grupo de planeacion y manejo, S. D. G. Y. M. D. A. P. (2012). Parques nacionales naturales de colombia. Retrieved from http://mapas.parquesnacionales.gov.co/# Axesnet S.a.S. (2012). Sistema de Informacion Ambiental de Colombia - SIAC. Retrieved from http://www.siac.gov.co/Catalogo_mapas.html Backoulou GF, Elliott NC, Giles KL, Mirik M. Processed multispectral imagery differentiates wheat crop stress caused bygreenbug from other causes. Computers and Electronics in Agriculture. 2015;115:34-39. https://doi.org/10.1016/j.compag.2015.05.008 Bokusheva R, Kogan F, Vitkovskaya I, Conradt S, Batyrbayeva M. Satellite-based vegetation health indices as a criteria for insuring against drought-related yield losses. Agricultural and Forest Meteorology. 2016;220:200-206. https://doi.org/10.1016/j.agrformet.2015.12.066 Cruz-Roa A, Arévalo J, Judkins A, Madabhushi A, González F. 2015. A method for medulloblastoma tumor differentiation based on convolutional neural networks and transfer learning. International Symposium on Medical Information Processing and Analysis, 9681, 968103. https://doi.org/10.1117/12.2208825 Cruz-Roa A, Basavanhally A, González F, Gilmore H, Feldman M, Ganesan S, Madabhushi A. Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks. Proc. SPIE, 2014;9041(216):904103-904115. https://doi.org/10.1117/12.2043872 Eisavi V, Homayouni S, Yazdi AM, Alimohammadi A. Land cover mapping based on random forest classification of multitemporal spectral and thermal images. Environmental Monitoring and Assessment. 2015;187(5):1-14. https://doi.org/10.1007/s10661-015-4489-3 Huang JT, Li J, Gong Y. 2015. An analysis of convolutional neural networks for speech recognition. In 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 4989–4993). IEEE. https://doi.org/10.1109/ICASSP.2015.7178920 IDEAM, IGAC, & CORMAGDALENA. (2008). Mapa de Cobertura de la Tierra Cuenca Magdalena-Cauca: Metodología CORINE Land Cover adaptada para Colombia a escala 1:100.000. Instituto de Hidrología, Meteorología y Estudios Ambientales, Instituto Geográfico Agustín Codazzi y Corporación Autónoma Regional del río Grande de la Magdalena (Vol. 1). Krizhevsky A, Sutskever I, Hinton GE. 2012. ImageNet Classification with Deep Convolutional Neural Networks. Advances In Neural Information Processing Systems. 1–9. https://doi.org/http://dx.doi.org/10.1016/j.protcy.2014.09.007 Liu Y, Zhang B, Wang LM, Wang N. A self-trained semisupervised SVM approach to the remote sensing land cover classification. Computers and Geosciences. 2013;59:98-107. https://doi.org/10.1016/j.cageo.2013.03.024 Martin M, Newman S, Aber J, Congalton R. Determining forest species composition using high spectral resolution remote sensing data. Remote Sensing of Environment. 1998;65(3):249-254. https://doi.org/10.1016/S0034-4257(98)00035-2 Ministerio del Medio Ambiente. (2010). Leyenda nacional de coberturas de la tierra. Perlin HA, Lopes HS. Extracting human attributes using a convolutional neural network approach. Pattern Recognition Letters. 2015;68:250-259. https://doi.org/10.1016/j.patrec.2015.07.012 Rodriguez-Galiano VF, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sanchez JP. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing. 2012;(67):93-104. https://doi.org/10.1016/j.isprsjprs.2011.11.002 Rujoiu-Mare MR, Mihai B. Mapping Land Cover Using Remote Sensing Data and GIS Techniques: A Case Study of Prahova Subcarpathians. Procedia Environmental Sciences. 2016;32:244-255. https://doi.org/10.1016/j.proenv.2016.03.029 Thonfeld F, Feilhauer H, Braun M, Menz G. Robust Change Vector Analysis (RCVA) for multi-sensor very high resolution optical satellite data. International Journal of Applied Earth Observation and Geoinformation. 2016;50:131-140. https://doi.org/10.1016/j.jag.2016.03.009 Wang H, Cruz-Roa A, Basavanhally A, Gilmore H, Shih N, Feldman M, Madabhushi A. Mitosis detection in breast cancer pathology images by combining handcrafted and convolutional neural network features. Journal of Medical Imaging (Bellingham, Wash.). 2014;1(3):34003. https://doi.org/10.1117/1.JMI.1.3.034003 Warner TA, Foody GM, Nellis MD. 2009. The SAGE Handbook of Remote Sensing. 504. https://doi.org/10.4135/9780857021052 Zhang R, Zhu D. Study of land cover classification based on knowledge rules using high-resolution remote sensing images. Expert Systems with Applications, 2011;38(4):3647-3652. https://doi.org/10.1016/j.eswa.2010.09.019
dc.relation.bitstream.none.fl_str_mv	https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/432/1023
dc.relation.citationendpage.none.fl_str_mv	75
dc.relation.citationissue.spa.fl_str_mv	1 Sup
dc.relation.citationstartpage.none.fl_str_mv	64
dc.relation.citationvolume.spa.fl_str_mv	21
dc.relation.ispartofjournal.spa.fl_str_mv	Orinoquia
dc.rights.spa.fl_str_mv	Orinoquia - 2019
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-sa/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	Orinoquia - 2019 https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad de los Llanos
dc.source.spa.fl_str_mv	https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/view/432
institution	Universidad de los Llanos
bitstream.url.fl_str_mv	https://repositorio.unillanos.edu.co/bitstreams/8dcb9b0d-4bf6-4f6c-adb5-725913db414b/download
bitstream.checksum.fl_str_mv	1e2253396c728dd2ff5af540759eaa9f
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio Universidad de Los Llanos
repository.mail.fl_str_mv	repositorio@unillanos.edu.co
_version_	1808490971136000000
spelling	Suárez Londoño, Arnol SneiderJiménez López, Andrés FernandoCastro Franco, MauricioCruz Roa, Angel Alfonso2017-07-16T00:00:00Z2024-07-25T18:14:37Z2017-07-16T00:00:00Z2024-07-25T18:14:37Z2017-07-160121-3709https://repositorio.unillanos.edu.co/handle/001/390610.22579/20112629.4322011-2629https://doi.org/10.22579/20112629.432La clasificación de cobertura del suelo es importante para estudios de cambio climático y monitoreo de servicios ecosistémicos. Los métodos convencionales de clasificación de coberturas se realizan mediante la interpretación visual de imágenes satelitales, lo cual es costoso, dispendioso e impreciso. Implementar métodos computacionales permite generar clasificación de coberturas en imágenes satelitales de manera automática, rápida, precisa y económica. Particularmente, los métodos de aprendizaje automático son técnicas computacionales promisorias para la estimación de cambios de cobertura del suelo. En este trabajo se presenta un método de aprendizaje automático basado en redes neuronales convolucionales de arquitectura tipo ConvNet para la clasificación automática de coberturas del suelo a partir de imágenes Landsat 5 TM. La ConvNet fue entrenada a partir de las anotaciones manuales por medio de interpretación visual sobre las imágenes satelitales con las que los expertos generaron el mapa de cobertura del parque nacional el Tuparro, de los Parques Nacionales Naturales de Colombia. El modelo de validación se realizó con datos de los mapas de coberturas del Amazonas colombiano realizado por el Sistema de Información Ambiental de Colombia. Los resultados obtenidos de la diagonal de la matriz de confusión de la exactitud promedio fue de 83.27% en entrenamiento y 91.02% en validación; para la clasificación en parches entre Bosques, áreas con vegetación herbácea y/o arbustiva, áreas abiertas sin o con poca vegetación y aguas continentales.Land cover classification is important for studies of climate change and monitoring of ecosystem services. Conventional coverage classification methods are performed by the visual interpretation of satellite imagery, which is expensive and inaccurate. Implementing computational methods could generate procedures to classify coverage in satellite images automatically, quickly, accurately and economically. Particularly, automatic learning methods are promising computational methods for estimating soil cover changes. In this work we present an automatic learning method based on convolutional neural networks of ConvNet type architecture for the automatic classification of soil coverings from Landsat 5 TM images. The ConvNet was trained from the manual annotations by means of visual interpretation on the satellite images with which the experts generated the map of Tuparro national park, of National Natural Park of Colombia. The validation model was performed with data from the Colombian Amazon cover maps made by the Colombian Environmental Information System. The results obtained from the diagonal of the confusion matrix of the average accuracy were 83.27% in training and 91.02% in validation; for the classification in patches between forests, areas with herbaceous and / or shrub vegetation, open areas with or without vegetation and Inland waters.application/pdfspaUniversidad de los LlanosOrinoquia - 2019https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/view/432Automatic learningland covernatural parksconvolutional neural networksremote sensingAprendizagem de máquinacobertura do soloparques naturaisrede neural convolutionalsensoriamento remotoAprendizaje automáticocoberturas de sueloparques naturalesredes neuronales convolucionalesteledetecciónClasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales ConvolucionalesClassification and automatic mapping of land covers in satellite images using Convolutional Neural NetworksArtículo de revistainfo:eu-repo/semantics/articleJournal articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Texthttp://purl.org/coar/version/c_970fb48d4fbd8a85Acevedo L, Grupo de planeacion y manejo, S. D. G. Y. M. D. A. P. (2012). Parques nacionales naturales de colombia. Retrieved from http://mapas.parquesnacionales.gov.co/#Axesnet S.a.S. (2012). Sistema de Informacion Ambiental de Colombia - SIAC. Retrieved from http://www.siac.gov.co/Catalogo_mapas.htmlBackoulou GF, Elliott NC, Giles KL, Mirik M. Processed multispectral imagery differentiates wheat crop stress caused bygreenbug from other causes. Computers and Electronics in Agriculture. 2015;115:34-39. https://doi.org/10.1016/j.compag.2015.05.008Bokusheva R, Kogan F, Vitkovskaya I, Conradt S, Batyrbayeva M. Satellite-based vegetation health indices as a criteria for insuring against drought-related yield losses. Agricultural and Forest Meteorology. 2016;220:200-206. https://doi.org/10.1016/j.agrformet.2015.12.066Cruz-Roa A, Arévalo J, Judkins A, Madabhushi A, González F. 2015. A method for medulloblastoma tumor differentiation based on convolutional neural networks and transfer learning. International Symposium on Medical Information Processing and Analysis, 9681, 968103. https://doi.org/10.1117/12.2208825Cruz-Roa A, Basavanhally A, González F, Gilmore H, Feldman M, Ganesan S, Madabhushi A. Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks. Proc. SPIE, 2014;9041(216):904103-904115. https://doi.org/10.1117/12.2043872Eisavi V, Homayouni S, Yazdi AM, Alimohammadi A. Land cover mapping based on random forest classification of multitemporal spectral and thermal images. Environmental Monitoring and Assessment. 2015;187(5):1-14. https://doi.org/10.1007/s10661-015-4489-3Huang JT, Li J, Gong Y. 2015. An analysis of convolutional neural networks for speech recognition. In 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 4989–4993). IEEE. https://doi.org/10.1109/ICASSP.2015.7178920IDEAM, IGAC, & CORMAGDALENA. (2008). Mapa de Cobertura de la Tierra Cuenca Magdalena-Cauca: Metodología CORINE Land Cover adaptada para Colombia a escala 1:100.000. Instituto de Hidrología, Meteorología y Estudios Ambientales, Instituto Geográfico Agustín Codazzi y Corporación Autónoma Regional del río Grande de la Magdalena (Vol. 1).Krizhevsky A, Sutskever I, Hinton GE. 2012. ImageNet Classification with Deep Convolutional Neural Networks. Advances In Neural Information Processing Systems. 1–9. https://doi.org/http://dx.doi.org/10.1016/j.protcy.2014.09.007Liu Y, Zhang B, Wang LM, Wang N. A self-trained semisupervised SVM approach to the remote sensing land cover classification. Computers and Geosciences. 2013;59:98-107. https://doi.org/10.1016/j.cageo.2013.03.024Martin M, Newman S, Aber J, Congalton R. Determining forest species composition using high spectral resolution remote sensing data. Remote Sensing of Environment. 1998;65(3):249-254. https://doi.org/10.1016/S0034-4257(98)00035-2Ministerio del Medio Ambiente. (2010). Leyenda nacional de coberturas de la tierra.Perlin HA, Lopes HS. Extracting human attributes using a convolutional neural network approach. Pattern Recognition Letters. 2015;68:250-259. https://doi.org/10.1016/j.patrec.2015.07.012Rodriguez-Galiano VF, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sanchez JP. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing. 2012;(67):93-104. https://doi.org/10.1016/j.isprsjprs.2011.11.002Rujoiu-Mare MR, Mihai B. Mapping Land Cover Using Remote Sensing Data and GIS Techniques: A Case Study of Prahova Subcarpathians. Procedia Environmental Sciences. 2016;32:244-255. https://doi.org/10.1016/j.proenv.2016.03.029Thonfeld F, Feilhauer H, Braun M, Menz G. Robust Change Vector Analysis (RCVA) for multi-sensor very high resolution optical satellite data. International Journal of Applied Earth Observation and Geoinformation. 2016;50:131-140. https://doi.org/10.1016/j.jag.2016.03.009Wang H, Cruz-Roa A, Basavanhally A, Gilmore H, Shih N, Feldman M, Madabhushi A. Mitosis detection in breast cancer pathology images by combining handcrafted and convolutional neural network features. Journal of Medical Imaging (Bellingham, Wash.). 2014;1(3):34003. https://doi.org/10.1117/1.JMI.1.3.034003Warner TA, Foody GM, Nellis MD. 2009. The SAGE Handbook of Remote Sensing. 504. https://doi.org/10.4135/9780857021052Zhang R, Zhu D. Study of land cover classification based on knowledge rules using high-resolution remote sensing images. Expert Systems with Applications, 2011;38(4):3647-3652. https://doi.org/10.1016/j.eswa.2010.09.019https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/432/1023751 Sup6421OrinoquiaPublicationOREORE.xmltext/xml2800https://repositorio.unillanos.edu.co/bitstreams/8dcb9b0d-4bf6-4f6c-adb5-725913db414b/download1e2253396c728dd2ff5af540759eaa9fMD51001/3906oai:repositorio.unillanos.edu.co:001/39062024-07-25 13:14:37.055https://creativecommons.org/licenses/by-nc-sa/4.0/Orinoquia - 2019metadata.onlyhttps://repositorio.unillanos.edu.coRepositorio Universidad de Los Llanosrepositorio@unillanos.edu.co

Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales

Publicaciones similares