Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)

Autores
Da Silva, Cristian Javier; Insaurralde, Juan Ariel; Cardozo, Osvaldo Daniel
Año de publicación
2014
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Los Sensores Remotos se han convertido en los últimos tiempos en una herramienta importante para la planificación territorial, debido a la originalidad metodológica con la cual operan y el amplio espectro de observación de la superficie terrestre. El número de algoritmos disponibles en la literatura científica, permiten tratar individualmente muchas de las coberturas terrestres y caracterizarlas en base a su comportamiento espectral. En el presente trabajo se han aplicado dos métodos de clasificación de imágenes: árboles de decisión o reglas y clasificación no supervisada. También se han calculado índices de vegetación y de agua (NDVI y MNDWI), para identificar las coberturas y generar cartografía temática que sirva como base para posteriores estudios. Además, se ha elaborado la matriz de confusión con el fin de determinar la validez de la clasificación obtenida. Como resultado, se han obtenidos coberturas de vegetación, urbano, cursos y cuerpos de agua, clasificados a partir de técnicas oportunamente mencionadas, que brindan una fiabilidad global del orden del 61%, y si se consideran de manera individual (urbano y cuerpos y cursos de agua), las mismas alcanzan una precisión superior al 70%.
Remote Sensing has become in recent years an important tool for land use planning, due to the methodological originality with which it operates and the wide view of the Earth surface. The range of image processing algorithms available today in scientific literature allows that many coverages can be treated individually and can be characterized by their spectral behavior. In this paper we have applied different image classification methods such as decision tree or rules, unsupervised classification, have also been calculated Normalized Difference Vegetation Index (NDVI) and Modified Normalized Difference Water Index (MNDWI) to identify coverages and generate thematic mapper, as the basis for further studies. Furthermore, has been applied the confusion matrix in order to determine validity of the classification obtained. Have been obtained coverages vegetation, urban, courses and water bodies, that they have classified by mentioned techniques the previous paragraph, which provide a global reliability of the order of 61%, and if considered individually (urban and bodies and waterways) , they reach an accuracy above 70%.
Fil: Da Silva, Cristian Javier. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
Fil: Insaurralde, Juan Ariel. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
Fil: Cardozo, Osvaldo Daniel. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
Materia
Sensores Remotos
MNDWI
Clasificación No Supervisada
Árbol de Decisión
NDVI
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/21825

id CONICETDig_0e4124417d82f41796197a927eaa24d0
oai_identifier_str oai:ri.conicet.gov.ar:11336/21825
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)Mapping ofland coverages through remote sensing, in Resistencia city, Argentina (2013)Da Silva, Cristian JavierInsaurralde, Juan ArielCardozo, Osvaldo DanielSensores RemotosMNDWIClasificación No SupervisadaÁrbol de DecisiónNDVIhttps://purl.org/becyt/ford/1.5https://purl.org/becyt/ford/1Los Sensores Remotos se han convertido en los últimos tiempos en una herramienta importante para la planificación territorial, debido a la originalidad metodológica con la cual operan y el amplio espectro de observación de la superficie terrestre. El número de algoritmos disponibles en la literatura científica, permiten tratar individualmente muchas de las coberturas terrestres y caracterizarlas en base a su comportamiento espectral. En el presente trabajo se han aplicado dos métodos de clasificación de imágenes: árboles de decisión o reglas y clasificación no supervisada. También se han calculado índices de vegetación y de agua (NDVI y MNDWI), para identificar las coberturas y generar cartografía temática que sirva como base para posteriores estudios. Además, se ha elaborado la matriz de confusión con el fin de determinar la validez de la clasificación obtenida. Como resultado, se han obtenidos coberturas de vegetación, urbano, cursos y cuerpos de agua, clasificados a partir de técnicas oportunamente mencionadas, que brindan una fiabilidad global del orden del 61%, y si se consideran de manera individual (urbano y cuerpos y cursos de agua), las mismas alcanzan una precisión superior al 70%.Remote Sensing has become in recent years an important tool for land use planning, due to the methodological originality with which it operates and the wide view of the Earth surface. The range of image processing algorithms available today in scientific literature allows that many coverages can be treated individually and can be characterized by their spectral behavior. In this paper we have applied different image classification methods such as decision tree or rules, unsupervised classification, have also been calculated Normalized Difference Vegetation Index (NDVI) and Modified Normalized Difference Water Index (MNDWI) to identify coverages and generate thematic mapper, as the basis for further studies. Furthermore, has been applied the confusion matrix in order to determine validity of the classification obtained. Have been obtained coverages vegetation, urban, courses and water bodies, that they have classified by mentioned techniques the previous paragraph, which provide a global reliability of the order of 61%, and if considered individually (urban and bodies and waterways) , they reach an accuracy above 70%.Fil: Da Silva, Cristian Javier. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; ArgentinaFil: Insaurralde, Juan Ariel. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; ArgentinaFil: Cardozo, Osvaldo Daniel. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; ArgentinaUniversidad Nacional del Nordeste. Facultad de Humanidades. Instituto de Geografía2014-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/21825Da Silva, Cristian Javier; Insaurralde, Juan Ariel; Cardozo, Osvaldo Daniel; Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013); Universidad Nacional del Nordeste. Facultad de Humanidades. Instituto de Geografía; Geográfica Digital; 11; 21; 1-2014; 1-181668-5180CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/http://hum.unne.edu.ar/revistas/geoweb/Geo21/contenidos/dasilva14.htminfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:31:06Zoai:ri.conicet.gov.ar:11336/21825instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:31:06.972CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
Mapping ofland coverages through remote sensing, in Resistencia city, Argentina (2013)
title Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
spellingShingle Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
Da Silva, Cristian Javier
Sensores Remotos
MNDWI
Clasificación No Supervisada
Árbol de Decisión
NDVI
title_short Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
title_full Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
title_fullStr Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
title_full_unstemmed Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
title_sort Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
dc.creator.none.fl_str_mv Da Silva, Cristian Javier
Insaurralde, Juan Ariel
Cardozo, Osvaldo Daniel
author Da Silva, Cristian Javier
author_facet Da Silva, Cristian Javier
Insaurralde, Juan Ariel
Cardozo, Osvaldo Daniel
author_role author
author2 Insaurralde, Juan Ariel
Cardozo, Osvaldo Daniel
author2_role author
author
dc.subject.none.fl_str_mv Sensores Remotos
MNDWI
Clasificación No Supervisada
Árbol de Decisión
NDVI
topic Sensores Remotos
MNDWI
Clasificación No Supervisada
Árbol de Decisión
NDVI
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.5
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv Los Sensores Remotos se han convertido en los últimos tiempos en una herramienta importante para la planificación territorial, debido a la originalidad metodológica con la cual operan y el amplio espectro de observación de la superficie terrestre. El número de algoritmos disponibles en la literatura científica, permiten tratar individualmente muchas de las coberturas terrestres y caracterizarlas en base a su comportamiento espectral. En el presente trabajo se han aplicado dos métodos de clasificación de imágenes: árboles de decisión o reglas y clasificación no supervisada. También se han calculado índices de vegetación y de agua (NDVI y MNDWI), para identificar las coberturas y generar cartografía temática que sirva como base para posteriores estudios. Además, se ha elaborado la matriz de confusión con el fin de determinar la validez de la clasificación obtenida. Como resultado, se han obtenidos coberturas de vegetación, urbano, cursos y cuerpos de agua, clasificados a partir de técnicas oportunamente mencionadas, que brindan una fiabilidad global del orden del 61%, y si se consideran de manera individual (urbano y cuerpos y cursos de agua), las mismas alcanzan una precisión superior al 70%.
Remote Sensing has become in recent years an important tool for land use planning, due to the methodological originality with which it operates and the wide view of the Earth surface. The range of image processing algorithms available today in scientific literature allows that many coverages can be treated individually and can be characterized by their spectral behavior. In this paper we have applied different image classification methods such as decision tree or rules, unsupervised classification, have also been calculated Normalized Difference Vegetation Index (NDVI) and Modified Normalized Difference Water Index (MNDWI) to identify coverages and generate thematic mapper, as the basis for further studies. Furthermore, has been applied the confusion matrix in order to determine validity of the classification obtained. Have been obtained coverages vegetation, urban, courses and water bodies, that they have classified by mentioned techniques the previous paragraph, which provide a global reliability of the order of 61%, and if considered individually (urban and bodies and waterways) , they reach an accuracy above 70%.
Fil: Da Silva, Cristian Javier. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
Fil: Insaurralde, Juan Ariel. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
Fil: Cardozo, Osvaldo Daniel. Universidad Nacional del Nordeste; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
description Los Sensores Remotos se han convertido en los últimos tiempos en una herramienta importante para la planificación territorial, debido a la originalidad metodológica con la cual operan y el amplio espectro de observación de la superficie terrestre. El número de algoritmos disponibles en la literatura científica, permiten tratar individualmente muchas de las coberturas terrestres y caracterizarlas en base a su comportamiento espectral. En el presente trabajo se han aplicado dos métodos de clasificación de imágenes: árboles de decisión o reglas y clasificación no supervisada. También se han calculado índices de vegetación y de agua (NDVI y MNDWI), para identificar las coberturas y generar cartografía temática que sirva como base para posteriores estudios. Además, se ha elaborado la matriz de confusión con el fin de determinar la validez de la clasificación obtenida. Como resultado, se han obtenidos coberturas de vegetación, urbano, cursos y cuerpos de agua, clasificados a partir de técnicas oportunamente mencionadas, que brindan una fiabilidad global del orden del 61%, y si se consideran de manera individual (urbano y cuerpos y cursos de agua), las mismas alcanzan una precisión superior al 70%.
publishDate 2014
dc.date.none.fl_str_mv 2014-01
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/21825
Da Silva, Cristian Javier; Insaurralde, Juan Ariel; Cardozo, Osvaldo Daniel; Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013); Universidad Nacional del Nordeste. Facultad de Humanidades. Instituto de Geografía; Geográfica Digital; 11; 21; 1-2014; 1-18
1668-5180
CONICET Digital
CONICET
url http://hdl.handle.net/11336/21825
identifier_str_mv Da Silva, Cristian Javier; Insaurralde, Juan Ariel; Cardozo, Osvaldo Daniel; Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013); Universidad Nacional del Nordeste. Facultad de Humanidades. Instituto de Geografía; Geográfica Digital; 11; 21; 1-2014; 1-18
1668-5180
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://hum.unne.edu.ar/revistas/geoweb/Geo21/contenidos/dasilva14.htm
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional del Nordeste. Facultad de Humanidades. Instituto de Geografía
publisher.none.fl_str_mv Universidad Nacional del Nordeste. Facultad de Humanidades. Instituto de Geografía
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844614320938287104
score 13.070432