Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning
- Autores
- Cicerchia, Lucas Benjamín
- Año de publicación
- 2022
- Idioma
- español castellano
- Tipo de recurso
- tesis de maestría
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Abásolo Guerrero, María José
Russo, Claudia Cecilia - Descripción
- 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.
Especialista en Computación Gráfica, Imágenes y Visión por Computadora
Universidad Nacional de La Plata
Facultad de Informática - Materia
-
Ciencias Informáticas
Machine Learning
Active Learning
Procesamiento de Imágenes
Sensado Remoto
Clasificación de Cultivos - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/147929
Ver los metadatos del registro completo
id |
SEDICI_e4b730c564eaf7376af0119cb1c6d2f4 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/147929 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active LearningCicerchia, Lucas BenjamínCiencias InformáticasMachine LearningActive LearningProcesamiento de ImágenesSensado RemotoClasificación de CultivosEl 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.Especialista en Computación Gráfica, Imágenes y Visión por ComputadoraUniversidad Nacional de La PlataFacultad de InformáticaAbásolo Guerrero, María JoséRusso, Claudia Cecilia2022-09-30info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTrabajo de especializacionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/147929spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:37:52Zoai:sedici.unlp.edu.ar:10915/147929Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:37:52.31SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning |
title |
Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning |
spellingShingle |
Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning Cicerchia, Lucas Benjamín Ciencias Informáticas Machine Learning Active Learning Procesamiento de Imágenes Sensado Remoto Clasificación de Cultivos |
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 |
dc.creator.none.fl_str_mv |
Cicerchia, Lucas Benjamín |
author |
Cicerchia, Lucas Benjamín |
author_facet |
Cicerchia, Lucas Benjamín |
author_role |
author |
dc.contributor.none.fl_str_mv |
Abásolo Guerrero, María José Russo, Claudia Cecilia |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Machine Learning Active Learning Procesamiento de Imágenes Sensado Remoto Clasificación de Cultivos |
topic |
Ciencias Informáticas Machine Learning Active Learning Procesamiento de Imágenes Sensado Remoto Clasificación de Cultivos |
dc.description.none.fl_txt_mv |
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. Especialista en Computación Gráfica, Imágenes y Visión por Computadora Universidad Nacional de La Plata Facultad de Informática |
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. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-09-30 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/masterThesis info:eu-repo/semantics/acceptedVersion Trabajo de especializacion http://purl.org/coar/resource_type/c_bdcc info:ar-repo/semantics/tesisDeMaestria |
format |
masterThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/147929 |
url |
http://sedici.unlp.edu.ar/handle/10915/147929 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616254369824768 |
score |
13.070432 |