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
OAI Identifier:
oai:repositorio.unillanos.edu.co:001/2654
Acceso en línea:
https://repositorio.unillanos.edu.co/handle/001/2654
https://doi.org/10.22579/20112629.432
Palabra clave:
Editorial
Editorial
Rights
openAccess
License
Orinoquia - 2019
id Unillanos2_fbe03f6d185c486b07c871120c41c555
oai_identifier_str oai:repositorio.unillanos.edu.co:001/2654
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
Editorial
Editorial
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 Editorial
topic Editorial
Editorial
dc.subject.spa.fl_str_mv Editorial
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 2017-07-16 00:00:00
2022-06-13T17:42:09Z
dc.date.available.none.fl_str_mv 2017-07-16 00:00:00
2022-06-13T17:42:09Z
dc.date.issued.none.fl_str_mv 2017-07-16
dc.type.spa.fl_str_mv Artículo de revista
dc.type.eng.fl_str_mv Journal Article
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.spa.fl_str_mv Sección Artículos
dc.type.local.eng.fl_str_mv Sección Articles
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/001/2654
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/001/2654
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.citationedition.spa.fl_str_mv Núm. 1 Sup , Año 2017
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/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/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://dspace7-unillanos.metacatalogo.org/bitstreams/c935b335-57b4-433c-897c-2cd7e7f85778/download
bitstream.checksum.fl_str_mv a13f9ff4ea8b490fe83abcc5db13d2ac
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_ 1812104635079458816
spelling Suárez Londoño, Arnol Sneiderddbd0aa42e18e46e16c98494ade7b552300Jiménez López, Andrés Fernandob7f6e5b7465d291fc4fd0d3236e7758d300Castro Franco, Mauricio72cd140f12be5438552221f6c79ef91c300Cruz Roa, Angel Alfonsofc07088f5c43fb7bffba9a880fb78a243002017-07-16 00:00:002022-06-13T17:42:09Z2017-07-16 00:00:002022-06-13T17:42:09Z2017-07-160121-3709https://repositorio.unillanos.edu.co/handle/001/265410.22579/20112629.4322011-2629https://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/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/view/432EditorialEditorialClasificación 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 revistaJournal Articleinfo:eu-repo/semantics/articleSección ArtículosSección Articlesinfo: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/432/1023Núm. 1 Sup , Año 2017751 Sup6421OrinoquiaPublicationOREORE.xmltext/xml2644https://dspace7-unillanos.metacatalogo.org/bitstreams/c935b335-57b4-433c-897c-2cd7e7f85778/downloada13f9ff4ea8b490fe83abcc5db13d2acMD51001/2654oai:dspace7-unillanos.metacatalogo.org:001/26542024-04-17 16:39:05.289https://creativecommons.org/licenses/by/4.0/Orinoquia - 2019metadata.onlyhttps://dspace7-unillanos.metacatalogo.orgRepositorio Universidad de Los Llanosrepositorio@unillanos.edu.co

Publicaciones similares