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...
- 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
- OAI Identifier:
- oai:repositorio.unillanos.edu.co:001/3906
- Acceso en línea:
- https://repositorio.unillanos.edu.co/handle/001/3906
https://doi.org/10.22579/20112629.432
- Palabra clave:
- 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
- Rights
- openAccess
- License
- Orinoquia - 2019
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_ |
1818111629982695424 |
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 |