Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning

El presente trabajo tiene como objetivo obtener un clasificador para cultivos de verano en el noroeste de la provincia de Buenos Aires a partir de imágenes satelitales Landsat. Se utilizó Active Learning (AL) como técnica de clasificación ya que obtiene resultados satisfactorios utilizando un conjun...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Cicerchia, Lucas Benjamín
Otros Autores: Abásolo Guerrero, María José
Formato: Tesis Trabajo de especializacion
Lenguaje:Español
Publicado: 2022
Materias:
Ciencias Informáticas
Machine Learning
Active Learning
Procesamiento de Imágenes
Sensado Remoto
Clasificación de Cultivos
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/147929
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-147929
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Machine Learning
Active Learning
Procesamiento de Imágenes
Sensado Remoto
Clasificación de Cultivos
spellingShingle Ciencias Informáticas
Machine Learning
Active Learning
Procesamiento de Imágenes
Sensado Remoto
Clasificación de Cultivos
Cicerchia, Lucas Benjamín
Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning
topic_facet Ciencias Informáticas
Machine Learning
Active Learning
Procesamiento de Imágenes
Sensado Remoto
Clasificación de Cultivos
description El presente trabajo tiene como objetivo obtener un clasificador para cultivos de verano en el noroeste de la provincia de Buenos Aires a partir de imágenes satelitales Landsat. Se utilizó Active Learning (AL) como técnica de clasificación ya que obtiene resultados satisfactorios utilizando un conjunto pequeño de muestras etiquetadas para entrenar el algoritmo. La construcción del conjunto de entrenamiento es iterativa y se realiza mediante una heurística para la selección de las muestras no etiquetadas que serán clasificadas por un experto. Se utilizaron las siguientes heurísticas para la comparación: Breaking Ties, Multiclass Level Uncertainty, Margin Sampling y Random Sampling. Como contraste, el algoritmo también se comparó con la técnica supervisada Support Vector Machine (SVM). Los experimentos se probaron con tres imágenes Landsat 8 de diferentes fechas utilizando 6 bandas por imagen y varios índices de vegetación. Los resultados obtenidos utilizando AL en combinación con las diferentes heurísticas no difieren sustancialmente de SVM.
author2 Abásolo Guerrero, María José
author_facet Abásolo Guerrero, María José
Cicerchia, Lucas Benjamín
format Tesis
Trabajo de especializacion
author Cicerchia, Lucas Benjamín
author_sort Cicerchia, Lucas Benjamín
title Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning
title_short Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning
title_full Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning
title_fullStr Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning
title_full_unstemmed Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning
title_sort clasificación de cultivos en imágenes landsat utilizando algoritmos de active learning
publishDate 2022
url http://sedici.unlp.edu.ar/handle/10915/147929
work_keys_str_mv AT cicerchialucasbenjamin clasificaciondecultivosenimageneslandsatutilizandoalgoritmosdeactivelearning
bdutipo_str Repositorios
_version_ 1764820461779156998

Ejemplares similares