Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales

Autores
Escobares, Cristhian Daniel
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Rubio, Jorge Eduardo
Pury, Pedro Angel
Descripción
Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.
Fil: Escobares, Cristhian Daniel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo especial se da un punto de vista desde la Física a la distinción vía satélite de un campo inundado de uno no inundado. Se compone de dos grandes partes: en la primera (capítulos 1 y 2) se define el sistema a estudiar (campos de cultivo en la Pampa Húmeda Argentina). Luego, se obtienen características de la reflectancia electromagnética que tiene el sistema en su conjunto. Esto es corroborado por dos conjuntos de datos creados por diferentes profesionales en la clasificación de campos inundados a través de imágenes satelitales. En la segunda parte (capítulos 3, 4 y 5), se utilizan métodos de aprendizaje automático para la clasificación, realizando varias pruebas para determinar cuál es el más consistente ante cambios en el conjunto de entrenamiento y también ante cambios en el sesgo (intrínseco de cada profesional). Obteniéndose un incremento en la precisión de la clasificación con respecto a la clasificación por índices.
In this special work, a point of view from Physics is given to the distinction via satellite of a flooded field from a non-flooded one. It is composed of two large parts: in the first one (chapters 1 and 2) the system to be study (crop fields in the area of the Pampa Húmeda Argentina). Then characteristics of the electromagnetic reflectance that the system as a whole has, are obtained. This is corroborated by two data sets, each one created by different professionals in the classification of flooded fields through satellite images. In the second part (chapters 3, 4 and 5), some machine learning methods are used for classification, performing several tests to determine which one is the most consistent under changes in the training set (varying which data from a set is used in the training set), and also under changes in the bias (intrinsic to each professional). Obtaining an increase in the accuracy of the classification with respect to the index classification.
Fil: Escobares, Cristhian Daniel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Materia
Análisis de datos
Redes neuronales artificiales
Aprendizaje automático
Inundación
Cultivo
Inteligencia artificial
Satellite data analysis
Machine learning
Artificial neural networks
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/27640

id RDUUNC_a3c603d39b1a0f8ae541b0cda503e177
oai_identifier_str oai:rdu.unc.edu.ar:11086/27640
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitalesEscobares, Cristhian DanielAnálisis de datosRedes neuronales artificialesAprendizaje automáticoInundaciónCultivoInteligencia artificialSatellite data analysisMachine learningArtificial neural networksTesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.Fil: Escobares, Cristhian Daniel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.En este trabajo especial se da un punto de vista desde la Física a la distinción vía satélite de un campo inundado de uno no inundado. Se compone de dos grandes partes: en la primera (capítulos 1 y 2) se define el sistema a estudiar (campos de cultivo en la Pampa Húmeda Argentina). Luego, se obtienen características de la reflectancia electromagnética que tiene el sistema en su conjunto. Esto es corroborado por dos conjuntos de datos creados por diferentes profesionales en la clasificación de campos inundados a través de imágenes satelitales. En la segunda parte (capítulos 3, 4 y 5), se utilizan métodos de aprendizaje automático para la clasificación, realizando varias pruebas para determinar cuál es el más consistente ante cambios en el conjunto de entrenamiento y también ante cambios en el sesgo (intrínseco de cada profesional). Obteniéndose un incremento en la precisión de la clasificación con respecto a la clasificación por índices.In this special work, a point of view from Physics is given to the distinction via satellite of a flooded field from a non-flooded one. It is composed of two large parts: in the first one (chapters 1 and 2) the system to be study (crop fields in the area of the Pampa Húmeda Argentina). Then characteristics of the electromagnetic reflectance that the system as a whole has, are obtained. This is corroborated by two data sets, each one created by different professionals in the classification of flooded fields through satellite images. In the second part (chapters 3, 4 and 5), some machine learning methods are used for classification, performing several tests to determine which one is the most consistent under changes in the training set (varying which data from a set is used in the training set), and also under changes in the bias (intrinsic to each professional). Obtaining an increase in the accuracy of the classification with respect to the index classification.Fil: Escobares, Cristhian Daniel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Rubio, Jorge EduardoPury, Pedro Angel2022-06-09info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/27640spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-29T13:43:04Zoai:rdu.unc.edu.ar:11086/27640Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-29 13:43:04.663Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales
title Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales
spellingShingle Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales
Escobares, Cristhian Daniel
Análisis de datos
Redes neuronales artificiales
Aprendizaje automático
Inundación
Cultivo
Inteligencia artificial
Satellite data analysis
Machine learning
Artificial neural networks
title_short Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales
title_full Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales
title_fullStr Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales
title_full_unstemmed Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales
title_sort Utilización de técnicas de aprendizaje automático para la detección de áreas de cultivos anegadas con imágenes satelitales
dc.creator.none.fl_str_mv Escobares, Cristhian Daniel
author Escobares, Cristhian Daniel
author_facet Escobares, Cristhian Daniel
author_role author
dc.contributor.none.fl_str_mv Rubio, Jorge Eduardo
Pury, Pedro Angel
dc.subject.none.fl_str_mv Análisis de datos
Redes neuronales artificiales
Aprendizaje automático
Inundación
Cultivo
Inteligencia artificial
Satellite data analysis
Machine learning
Artificial neural networks
topic Análisis de datos
Redes neuronales artificiales
Aprendizaje automático
Inundación
Cultivo
Inteligencia artificial
Satellite data analysis
Machine learning
Artificial neural networks
dc.description.none.fl_txt_mv Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.
Fil: Escobares, Cristhian Daniel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo especial se da un punto de vista desde la Física a la distinción vía satélite de un campo inundado de uno no inundado. Se compone de dos grandes partes: en la primera (capítulos 1 y 2) se define el sistema a estudiar (campos de cultivo en la Pampa Húmeda Argentina). Luego, se obtienen características de la reflectancia electromagnética que tiene el sistema en su conjunto. Esto es corroborado por dos conjuntos de datos creados por diferentes profesionales en la clasificación de campos inundados a través de imágenes satelitales. En la segunda parte (capítulos 3, 4 y 5), se utilizan métodos de aprendizaje automático para la clasificación, realizando varias pruebas para determinar cuál es el más consistente ante cambios en el conjunto de entrenamiento y también ante cambios en el sesgo (intrínseco de cada profesional). Obteniéndose un incremento en la precisión de la clasificación con respecto a la clasificación por índices.
In this special work, a point of view from Physics is given to the distinction via satellite of a flooded field from a non-flooded one. It is composed of two large parts: in the first one (chapters 1 and 2) the system to be study (crop fields in the area of the Pampa Húmeda Argentina). Then characteristics of the electromagnetic reflectance that the system as a whole has, are obtained. This is corroborated by two data sets, each one created by different professionals in the classification of flooded fields through satellite images. In the second part (chapters 3, 4 and 5), some machine learning methods are used for classification, performing several tests to determine which one is the most consistent under changes in the training set (varying which data from a set is used in the training set), and also under changes in the bias (intrinsic to each professional). Obtaining an increase in the accuracy of the classification with respect to the index classification.
Fil: Escobares, Cristhian Daniel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
description Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-06-09
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11086/27640
url http://hdl.handle.net/11086/27640
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1844618944105676800
score 13.070432