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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/147929
Acceder
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:UNLP2025-10-22T17:18:45Zoai: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:13292025-10-22 17:18:46.103SEDICI (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_ 1846783598579941376
score 12.982451

Publicaciones similares