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: |
| Sumario: | 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. |
|---|