|
|
Registros recuperados : 138 | |
3. | | CAL, A. SISGRAS: una herramiento de información y análisis territorial. In: JORNADA DE CULTIVOS DE INVIERNO, 2013, La Estanzuela, Colonia, UY; Instituto Nacional de Investigación Agropecuaria (INIA), Uruguay. Programa Nacional de Cultivos de Secano. Herramientas para un manejo inteligente de trigos y cebadas La Estanzuela, Colonia, UY: INIA, 2013. p. 1-5. (Serie Actividades de Difusión; 720). Unidad de Agro-clima y Sistemas de Información (GRAS).Biblioteca(s): INIA La Estanzuela. |
| |
10. | | CAL, A.; PRECIOZZI, J.; MUSÉ, PABLO Automatic Classification of Agricultural Summer Crops in Uruguay. [Conference paper] IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2021, Brussels (Belgium) 12-16 July 2021. Code 176845. International Geoscience and Remote Sensing Symposium (IGARSS), 2021, pages 6520 - 6523. doi: http://doi.org/10.1109/IGARSS47720.2021.9555035 Publisher: Institute of Electrical and Electronics Engineers Inc. -- Sponsors: The Institute of Electrical and Electronics Engineers Geoscience and Remote Sensing Society (GRSS).Biblioteca(s): INIA Las Brujas. |
| |
16. | | CARRACELAS, G.; FERRES, S.; CAL, A. Riego con mangs en chacras comerciales. In: Día de Campo, arroz, 7 de febrero, Zona Norte, Paso Farías, Artigas / 8 de febrero, Zona Centro, Pueblo del Barro, Tacuarembó, 2017. Tacuarembó (Uruguay): INIA, 2017. p. 61-66Biblioteca(s): INIA Tacuarembó. |
| |
Registros recuperados : 138 | |
|
|
Registro completo
|
Biblioteca (s) : |
INIA Las Brujas. |
Fecha actual : |
01/02/2024 |
Actualizado : |
01/02/2024 |
Tipo de producción científica : |
Tesis |
Autor : |
CAL, A. |
Afiliación : |
ADRIAN TABARE CAL ALVAREZ, INIA (Instituto Nacional de Investigación Agropecuaria), Uruguay. |
Título : |
Metodología automática para mapeo y seguimiento de la condición de cultivos agrícolas durante la zafra a partir de imágenes satelitales y aprendizaje automático en Uruguay. [Automatic methodology for mapping and monitoring the condition of agricultural crops during the season using satellite imagery and machine learning in Uruguay]. Tesis de Maestría. |
Fecha de publicación : |
2022 |
Fuente / Imprenta : |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.
https://hdl.handle.net/20.500.12110/tesis_n7436_CalAlvarez |
Páginas : |
151 p. |
Idioma : |
Español |
Notas : |
Fecha de defensa: 28 de noviembre 2022. -- Grado Obtenido: Maestría. -- Título Obtenido: Magíster de la Universidad de Buenos Aires en el área de Explotación de Datos y Descubrimiento del Conocimiento. |
Contenido : |
El presente trabajo tiene como principal objetivo el desarrollo de una metodología para la identificación de cultivos agrícolas de verano en Uruguay, a partir del uso de imágenes satelitales y aprendizaje automático. Para ello, como insumo se utilizaron bases de datos con información georreferenciada de campo, e imágenes satelitales de libre acceso. De las bases, dos fueron proporcionadas por organizaciones de productores agropecuarios y son de chacras con agricultura, y otras del Ministerio de Ganadería, Agricultura y Pesca de Uruguay (MGAP). Una con información de coberturas y usos del suelo, y otra de chacras con planes de uso para conservación del suelo por erosión. Los cultivos agrícolas presentes en las bases son maíz, soja y sorgo. Las imágenes utilizadas provienen de los satélites de tipo óptico, Sentinel 2 y Terra, y de Sentinel 1, que tiene un sensor radar de apertura sintética. De estos satélites, en particular de Sentinel 1 y 2, se obtuvieron series temporales de varias bandas del espectro electromagnético. El procesamiento de los datos se hizo a través del uso combinado de algoritmos de clasificación no supervisada, supervisada y de reducción de la dimensionalidad. De los no supervisados se evaluaron Gaussian Mixture Model (GMM), K-Means, Learning Vector Quantization (LVQ), Self Organizing Map (SOM) de Kohonen y Spectral Clustering. De los supervisados se evaluaron AdaBoost, Gradient Tree Boosting, Random Forest, Support Vector Machine (SVM) y XGBoost. El algoritmo de reducción de la dimensionalidad utilizado fue t-Distributed Stochastic Neighbor Embedding (t-SNE). Una de las herramientas utilizadas para el procesamiento de los datos georreferenciados y las imágenes satelitales es la moderna y potente plataforma de análisis geoespacial en la nube Google Earth Engine (earthengine.google.com). Con el uso de esta herramienta se generaron mapas a nivel nacional clasificados pixel a pixel. Combinando clasificación no supervisada con el algoritmo de t-SNE se desarrolló una técnica para identificar y depurar datos mal etiquetados, así como zonas sin agricultura dentro de las chacras. Para la clasificación supervisada se generaron modelos que en la dimensión espacial trabajan clasificando puntos georreferenciados, o a nivel nacional, pixel a pixel, y a nivel de cultivo estos indican si hay agricultura o no (modelos binarios) y el tipo de cultivo específico (maíz, soja o sorgo). De los algoritmos supervisados, Random Forest y XGBoost fueron los de mejor desempeño. Para los modelos de clasificación binaria, el mejor desempeño fue 98,5 de F1-Score. Para los modelos de cultivo a nivel de chacra, en maíz y sorgo, el mejor desempeño fue 75,3 y 77,5 de F1, y en soja 98,5, siendo este último superior al obtenido en varios trabajos internacionales. Otro de los objetivos específicos de este trabajo fue poder realizar el seguimiento de la condición de los cultivos en la chacra durante la zafra. Para ello se desarrolló una metodología que utilizando K-Means realiza la zonificación de la chacra en dos o más zonas de acuerdo con la evolución temporal del índice NDVI desde la siembra. Además, a partir de la firma fenológica mediana de la chacra, suavizada a paso diario, y con análisis de derivada primera, se extrajeron las métricas fenológicas de mínimo, punto de inflexión, máximo, días desde mínimo a máximo, amplitud de NDVI entre mínimo y máximo, entre otras. A partir de estás métricas se puede caracterizar una chacra y hacer comparaciones con otras. MenosEl presente trabajo tiene como principal objetivo el desarrollo de una metodología para la identificación de cultivos agrícolas de verano en Uruguay, a partir del uso de imágenes satelitales y aprendizaje automático. Para ello, como insumo se utilizaron bases de datos con información georreferenciada de campo, e imágenes satelitales de libre acceso. De las bases, dos fueron proporcionadas por organizaciones de productores agropecuarios y son de chacras con agricultura, y otras del Ministerio de Ganadería, Agricultura y Pesca de Uruguay (MGAP). Una con información de coberturas y usos del suelo, y otra de chacras con planes de uso para conservación del suelo por erosión. Los cultivos agrícolas presentes en las bases son maíz, soja y sorgo. Las imágenes utilizadas provienen de los satélites de tipo óptico, Sentinel 2 y Terra, y de Sentinel 1, que tiene un sensor radar de apertura sintética. De estos satélites, en particular de Sentinel 1 y 2, se obtuvieron series temporales de varias bandas del espectro electromagnético. El procesamiento de los datos se hizo a través del uso combinado de algoritmos de clasificación no supervisada, supervisada y de reducción de la dimensionalidad. De los no supervisados se evaluaron Gaussian Mixture Model (GMM), K-Means, Learning Vector Quantization (LVQ), Self Organizing Map (SOM) de Kohonen y Spectral Clustering. De los supervisados se evaluaron AdaBoost, Gradient Tree Boosting, Random Forest, Support Vector Machine (SVM) y XGBoost. El algori... Presentar Todo |
Palabras claves : |
APRENDIZAJE AUTOMATICO; CLASIFICACION SUPERVISADA Y NO SUPERVISADA; GOOGLE EARTH ENGINE; IMAGENES SATELITALES. |
Thesagro : |
AGRICULTURA. |
Asunto categoría : |
P40 Meteorología y climatología |
URL : |
https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7436_CalAlvarez
|
Marc : |
LEADER 04729nam a2200193 a 4500 001 1064447 005 2024-02-01 008 2022 bl uuuu m 00u1 u #d 100 1 $aCAL, A. 245 $aMetodología automática para mapeo y seguimiento de la condición de cultivos agrícolas durante la zafra a partir de imágenes satelitales y aprendizaje automático en Uruguay. [Automatic methodology for mapping and monitoring the condition of agricultural crops during the season using satellite imagery and machine learning in Uruguay]. Tesis de Maestría.$h[electronic resource] 260 $aUniversidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. https://hdl.handle.net/20.500.12110/tesis_n7436_CalAlvarez$c2022 300 $a151 p. 500 $aFecha de defensa: 28 de noviembre 2022. -- Grado Obtenido: Maestría. -- Título Obtenido: Magíster de la Universidad de Buenos Aires en el área de Explotación de Datos y Descubrimiento del Conocimiento. 520 $aEl presente trabajo tiene como principal objetivo el desarrollo de una metodología para la identificación de cultivos agrícolas de verano en Uruguay, a partir del uso de imágenes satelitales y aprendizaje automático. Para ello, como insumo se utilizaron bases de datos con información georreferenciada de campo, e imágenes satelitales de libre acceso. De las bases, dos fueron proporcionadas por organizaciones de productores agropecuarios y son de chacras con agricultura, y otras del Ministerio de Ganadería, Agricultura y Pesca de Uruguay (MGAP). Una con información de coberturas y usos del suelo, y otra de chacras con planes de uso para conservación del suelo por erosión. Los cultivos agrícolas presentes en las bases son maíz, soja y sorgo. Las imágenes utilizadas provienen de los satélites de tipo óptico, Sentinel 2 y Terra, y de Sentinel 1, que tiene un sensor radar de apertura sintética. De estos satélites, en particular de Sentinel 1 y 2, se obtuvieron series temporales de varias bandas del espectro electromagnético. El procesamiento de los datos se hizo a través del uso combinado de algoritmos de clasificación no supervisada, supervisada y de reducción de la dimensionalidad. De los no supervisados se evaluaron Gaussian Mixture Model (GMM), K-Means, Learning Vector Quantization (LVQ), Self Organizing Map (SOM) de Kohonen y Spectral Clustering. De los supervisados se evaluaron AdaBoost, Gradient Tree Boosting, Random Forest, Support Vector Machine (SVM) y XGBoost. El algoritmo de reducción de la dimensionalidad utilizado fue t-Distributed Stochastic Neighbor Embedding (t-SNE). Una de las herramientas utilizadas para el procesamiento de los datos georreferenciados y las imágenes satelitales es la moderna y potente plataforma de análisis geoespacial en la nube Google Earth Engine (earthengine.google.com). Con el uso de esta herramienta se generaron mapas a nivel nacional clasificados pixel a pixel. Combinando clasificación no supervisada con el algoritmo de t-SNE se desarrolló una técnica para identificar y depurar datos mal etiquetados, así como zonas sin agricultura dentro de las chacras. Para la clasificación supervisada se generaron modelos que en la dimensión espacial trabajan clasificando puntos georreferenciados, o a nivel nacional, pixel a pixel, y a nivel de cultivo estos indican si hay agricultura o no (modelos binarios) y el tipo de cultivo específico (maíz, soja o sorgo). De los algoritmos supervisados, Random Forest y XGBoost fueron los de mejor desempeño. Para los modelos de clasificación binaria, el mejor desempeño fue 98,5 de F1-Score. Para los modelos de cultivo a nivel de chacra, en maíz y sorgo, el mejor desempeño fue 75,3 y 77,5 de F1, y en soja 98,5, siendo este último superior al obtenido en varios trabajos internacionales. Otro de los objetivos específicos de este trabajo fue poder realizar el seguimiento de la condición de los cultivos en la chacra durante la zafra. Para ello se desarrolló una metodología que utilizando K-Means realiza la zonificación de la chacra en dos o más zonas de acuerdo con la evolución temporal del índice NDVI desde la siembra. Además, a partir de la firma fenológica mediana de la chacra, suavizada a paso diario, y con análisis de derivada primera, se extrajeron las métricas fenológicas de mínimo, punto de inflexión, máximo, días desde mínimo a máximo, amplitud de NDVI entre mínimo y máximo, entre otras. A partir de estás métricas se puede caracterizar una chacra y hacer comparaciones con otras. 650 $aAGRICULTURA 653 $aAPRENDIZAJE AUTOMATICO 653 $aCLASIFICACION SUPERVISADA Y NO SUPERVISADA 653 $aGOOGLE EARTH ENGINE 653 $aIMAGENES SATELITALES
Descargar
Esconder MarcPresentar Marc Completo |
Registro original : |
INIA Las Brujas (LB) |
|
Biblioteca
|
Identificación
|
Origen
|
Tipo / Formato
|
Clasificación
|
Cutter
|
Registro
|
Volumen
|
Estado
|
Volver
|
Expresión de búsqueda válido. Check! |
|
|