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
- Institución
- Universidad Nacional de Córdoba
- OAI Identificador
- oai:rdu.unc.edu.ar:11086/27640
Ver los metadatos del registro completo
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 |