Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning

Título:

Clasificación de cultivos en imágenes Landsat utilizando algoritmos de Active Learning

Autor:

Cicerchia, Lucas Benjamín

Otros autores / Colaboradores:

 Abásolo Guerrero, María José; [ Director/a]  Russo, Claudia Cecilia; [ Director/a] 

Temas:

TECNOLOGÍAS DE LA INFORMACIÓN Y DE LA COMUNICACIÓN (TICS); PROCESAMIENTO DE IMÁGENES; 

URL:

http://sedici.unlp.edu.ar/handle/10915/147929,

Palabras clave:

relevamiento de los cultivos, 

Nota de tesis:

Trabajo Final Integrador (Especialización en Computación Gráfica, Imágenes y Visión por Computador) - Universidad Nacional de La Plata. Facultad de Informática, 2022.

Extensión:

1 archivo (8,9 MB) : il. col.

Resumen:

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.

Puede solicitar más fácilmente el ejemplar con: TES 22/36

Capítulo 1. Introducción 
1.1. Motivación
1.2. Definición del problema 
1.3. Objetivos
1.4. Estructura del resto del informe 

Capítulo 2. Remote Sensing
2.1. Definición
2.2. Espectro electromagnético 
2.3. Firma Espectral
2.4. Índices de Vegetación
2.4.1. Definición de Índices de Vegetación
2.4.2. Normalized Difference Vegetal Index (NDVI)
2.4.3. Ratio Vegetation Index (RVI) 
2.4.4. Soil Adjusted Vegetation Index (SAVI)
2.4.5. Modified Soil Adjusted Vegetation Index (MSAVI) 
2.4.6. Enhanced Vegetation Index (EVI)
2.4.7. Normalized Difference Moisture Index (NDMI) 
2.4.8. Normalized Difference Water Index (NDWI) 
2.5. Resolución espectral y resolución radiométrica
2.6. Resolución espacial 
2.7. Resolución temporal

Capítulo 3. Machine Learning 
3.1. Definiciones y clasificaciones
3.1.1. Grupos de algoritmos de Machine learning
3.1.2. Machine Learning aplicado a Remote Sensing
3.1.3. Active Learning: una alternativa a Supervised Learning
3.2. Máquinas de vectores soporte (Support Vector Machine – SVM) 
3.2.1. Introducción 
3.2.2. Partes y definición matemática 
3.2.3. Frontera de decisión no lineal 
3.2.4. SVM Kernels
3.3. Heurísticas 
3.3.1. Random sampling (AL-RS)
3.3.2. Margin sampling (AL-MS)
3.3.3. Multiclass Level Uncertainty (AL-MCLU) 
3.3.4. Breaking Ties (AL-BT) 
3.3.5. Margin Sampling Orthogonal (AL-MSO) 
3.4. Métricas de Evaluación
3.4.1. Matriz de confusión 
3.4.2. Exactitud o Accuracy
3.4.3. Precisión o Precisión 
3.4.4. Exactitud o Recall 
3.4.5. Medida F o F1-Score

Capítulo 4. Pruebas y Resultados
4.1. Dataset y estructura de los datos 
4.2. División del dataset y pruebas
4.3. Resultados 
4.4. Discusión

Capítulo 5. Conclusiones
5.1. Conclusiones
5.2. Trabajo futuro

Capítulo 6. Bibliografía 

Capítulo 7. Anexos