Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales.
En este proyecto, se desarrolló e implementó un módulo de software para la detección y la clasificación de tipos de cobertura del suelo utilizando imágenes satelitales multiespectrales (LANDSAT 5) de una región de la Provincia de Neuquén. Para ello, se utilizaron redes neuronales convolucionales (CN...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | trabajo final de grado bachelorThesis acceptedVersion |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional del Comahue. Facultad de Ingeniería
2024
|
| Materias: | |
| Acceso en línea: | https://rdi.uncoma.edu.ar/handle/uncomaid/18625 |
| Aporte de: |
| id |
I22-R178-uncomaid-18625 |
|---|---|
| record_format |
dspace |
| spelling |
I22-R178-uncomaid-186252025-04-22T12:33:16Z Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales. Fonseca, Ricardo Moreyra, Marcelo Mare, Marcos Redes neuronales convolucionales (CNN) Convolucional Imágenes satelitales Módulo de software Clasificación de cobertura terrestre Aprendizaje por transferencia AlexNet, GoogleNet, VGG16, VGG19 Procesamiento de imágenes QGIS MATLAB Tensorflow AlexNet GoogleNet VGG16 VGG19 Convolutional Neural Network Convolutional, Satellite imag Python Software Module Land Cover Classification Transfer Learnin Image Processing Ciencias de la Computación e Información En este proyecto, se desarrolló e implementó un módulo de software para la detección y la clasificación de tipos de cobertura del suelo utilizando imágenes satelitales multiespectrales (LANDSAT 5) de una región de la Provincia de Neuquén. Para ello, se utilizaron redes neuronales convolucionales (CNN) y se integraron cuatro herramientas: QGIS, Matlab, Python y Tensorflow. Para este propósito, se generó un dataset de entrenamiento y prueba propio de nuestra región, con la colaboración de un experto del Departamento de Geografía de la UNCo. El módulo desarrollado permite al especialista definir conjuntos de imágenes, etiquetarlas, entrenar la red neuronal e identificar nuevas clasificaciones en un mapa de una región específica. Se evaluaron y compararon diferentes redes pre-entrenadas utilizando MATLAB y el método de transferencia de aprendizaje. Las arquitecturas utilizadas incluyeron AlexNet, GoogleNet, VGG16 y VGG19. También se utilizaron imágenes de datasets públicas como referencia. Finalmente, se utilizó la biblioteca TensorFlow para la clasificación de las regiones de la imagen satelital con las redes entrenadas. In this project, a software module was developed and implemented for the detection and classification of land cover types using multispectral satellite images (LANDSAT 5 ) from a region in the Province of Neuqu´en. Convolutional neural networks (CNN) were employed, and four tools were integrated: QGIS, Matlab, Python, and TensorFlow. For this purpose, a proprietary training and testing dataset of our region was generated with the collaboration of an expert from the Geography Department at UNCo. The developed module allows specialists to define sets of images, label them, train the neural network, and identify new classifications on a map of a specific region. Different pre-trained networks were evaluated and compared using MATLAB and the transfer learning method. The architectures used included AlexNet, GoogleNet, VGG16 and VGG19. Public datasets’ images were also used as a reference. Finally, the TensorFlow library was employed for classifying the regions of the satellite image using the trained networks Fil: Fonseca, Ricardo. Universidad Nacional del Comahue. Facultad de Ingeniería. Departamento de Electrotécnia; Argentina. 2024-12-26 2025-04-09T14:48:07Z 2025-04-09T14:48:07Z trabajo final de grado bachelorThesis acceptedVersion https://rdi.uncoma.edu.ar/handle/uncomaid/18625 spa Atribución-NoComercial-CompartirIgual 4.0 https://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf application/pdf ARG Universidad Nacional del Comahue. Facultad de Ingeniería |
| institution |
Universidad Nacional del Comahue |
| institution_str |
I-22 |
| repository_str |
R-178 |
| collection |
Repositorio Institucional UNCo |
| language |
Español |
| topic |
Redes neuronales convolucionales (CNN) Convolucional Imágenes satelitales Módulo de software Clasificación de cobertura terrestre Aprendizaje por transferencia AlexNet, GoogleNet, VGG16, VGG19 Procesamiento de imágenes QGIS MATLAB Tensorflow AlexNet GoogleNet VGG16 VGG19 Convolutional Neural Network Convolutional, Satellite imag Python Software Module Land Cover Classification Transfer Learnin Image Processing Ciencias de la Computación e Información |
| spellingShingle |
Redes neuronales convolucionales (CNN) Convolucional Imágenes satelitales Módulo de software Clasificación de cobertura terrestre Aprendizaje por transferencia AlexNet, GoogleNet, VGG16, VGG19 Procesamiento de imágenes QGIS MATLAB Tensorflow AlexNet GoogleNet VGG16 VGG19 Convolutional Neural Network Convolutional, Satellite imag Python Software Module Land Cover Classification Transfer Learnin Image Processing Ciencias de la Computación e Información Fonseca, Ricardo Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales. |
| topic_facet |
Redes neuronales convolucionales (CNN) Convolucional Imágenes satelitales Módulo de software Clasificación de cobertura terrestre Aprendizaje por transferencia AlexNet, GoogleNet, VGG16, VGG19 Procesamiento de imágenes QGIS MATLAB Tensorflow AlexNet GoogleNet VGG16 VGG19 Convolutional Neural Network Convolutional, Satellite imag Python Software Module Land Cover Classification Transfer Learnin Image Processing Ciencias de la Computación e Información |
| description |
En este proyecto, se desarrolló e implementó un módulo de software para la detección y la clasificación de tipos de cobertura del suelo utilizando imágenes satelitales multiespectrales (LANDSAT 5) de una región de la Provincia de Neuquén. Para ello, se utilizaron redes neuronales convolucionales (CNN) y se integraron cuatro herramientas: QGIS, Matlab, Python y Tensorflow.
Para este propósito, se generó un dataset de entrenamiento y prueba propio de nuestra región, con la colaboración de un experto del Departamento de Geografía de la UNCo. El módulo desarrollado permite al especialista definir conjuntos de imágenes, etiquetarlas, entrenar la red neuronal e identificar nuevas clasificaciones en un mapa de una región específica.
Se evaluaron y compararon diferentes redes pre-entrenadas utilizando MATLAB y el método de transferencia de aprendizaje. Las arquitecturas utilizadas incluyeron AlexNet, GoogleNet, VGG16 y VGG19. También se utilizaron imágenes de datasets públicas como referencia. Finalmente, se utilizó la biblioteca TensorFlow para la clasificación de las regiones de la imagen satelital con las redes entrenadas. |
| author2 |
Moreyra, Marcelo |
| author_facet |
Moreyra, Marcelo Fonseca, Ricardo |
| format |
trabajo final de grado bachelorThesis acceptedVersion |
| author |
Fonseca, Ricardo |
| author_sort |
Fonseca, Ricardo |
| title |
Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales. |
| title_short |
Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales. |
| title_full |
Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales. |
| title_fullStr |
Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales. |
| title_full_unstemmed |
Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales. |
| title_sort |
clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales. |
| publisher |
Universidad Nacional del Comahue. Facultad de Ingeniería |
| publishDate |
2024 |
| url |
https://rdi.uncoma.edu.ar/handle/uncomaid/18625 |
| work_keys_str_mv |
AT fonsecaricardo clasificaciondetiposdecoberturasdesueloenimagenessatelitalesutilizandoredesneuronalesconvolucionales |
| _version_ |
1832523868456091648 |