Clasificación de tipos de coberturas de suelo en imágenes satelitales utilizando redes neuronales convolucionales.

• Autores: Fonseca, Ricardo
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Moreyra, Marcelo; Mare, Marcos
• Materia: 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
• Institución: Universidad Nacional del Comahue

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.