Análisis del artículo “Clasificación de imágenes multiespectrales mediante redes neuronales”

Análisis del artículo “Clasificación de imágenes multiespectrales mediante redes neuronales”

El documento describe la implementación de redes neuronales para el análisis multiespectral en imágenes Lansat TM, utilizando una red neuronal de perceptron multicapa, que consta de diversas capas de neuronas que interactúan a través de conexiones ponderadas.
Como insumo principal se tenía una imagen del sensor Lansat-5, que cubría la zona comprendida entre las rias de Arosa y Pontevedra, en la costa atlántica de Galicia en España, para la realización del o puesta en marcha de la clasificación de las coberturas se tomaron en cuenta 8 grupos los cuales fueron: Zonas urbanas densas, Zonas urbanas no densas, Matorral o pastizal, Agua, Pinos, Eucaliptos, Vegetal-no foresta; para la última clase el artículo se explica que fue seleccionada debido a la gran variedad de vegetación que allí se encontraba y la dificultad que se presentaba para identificar las distintas especies presentes en algunos sectores del área de estudio’
Para el ingreso de los datos en la red neuronal utilizaron todos los niveles digitales presentes en cada banda esto con el fin de no desechar información capturada por alguna de las bandas, y para la identificación de las clases no solo tuvieron en cuenta la firma espectral de cada uno de los elementos particulares si no también la información de los elementos adyacentes y así obtener mejores resultados en el procesamiento.


Resultados

Después del procesamiento de la información y llevando a cabo la clasificación de las clases definidas al inicio, los autores dan a conocer las falencias y aciertos del proceso llevado a cabo, entre los principales exponen que la clasificación que los  errores por clasificación se dieron en un mayor porcentaje en las clases de eucaliptos y pinos debido a la dificultad de la red para poder discriminar los valores o datos de las distintas clases vegetales alcanzando aproximadamente un error del 25%  entre la fase de entrenamiento y el test realizado, por el contrario en la identificación de zonas urbanas densas y zonas urbanas no densas el error no supero el 10% aproximadamente, en la identificación de la clase Agua como era de esperarse el error fue del 0% entre la fase de entrenamiento y la fase de test, según lo expuesto por los autores.


Conclusiones de los Autores

Los autores concluyen que con el uso de redes neuronales como la que se empleó se pueden lograr clasificaciones con un alto grado de exactitud, además que para mejorar sustancialmente el proceso puede ser incluida información capturada por otros sensores para así realizar una clasificación más completa de las distintas clases o cubiertas.


Conclusiones y aportes de quien realiza el análisis del articulo

Debido a la dificultad que tiene la red neuronal para la identificación de las distintas clases de tipo vegetal, creo que esto imposibilitaría la aplicación de dicha metodología en áreas con bastante densidad de tipo vegetal como las que se tienen en Colombia, para la aplicación en estudios de tipo medioambiental.
Se puede evidenciar que, mediante el uso de metodologías alternas, se obtienen resultados óptimos (en algunas texturas o clases) que permiten automatizar y potencializar estudios de identificación y clasificación de los elementos presentes en la superficie del territorio.
La metodología expuesta en el artículo nos da conocer una alternativa metodológica, para el desarrollo de estudios o proyectos que, como Ingenieros Catastrales y Geodestas debemos manejar con gran solvencia.


Bibliografía


J.A. Triñanes, J. Torres, A. Tobar, C. Hernández. Revista de Teledetección (1994). Departamento de Física Aplicada de la Universidad de Santiago. Departamento de Electrónica y ciencias fundamentales de la universidad de Santiago de Compostela. Departamento de física fundamental y experimental de la universidad de la Laguna Santa cruz de Tenerife. Clasificación de imágenes multiespectrales mediante redes neuronales. Recuperado el 16 de septiembre de 2017 en http://www.aet.org.es/revistas/revista3/AET3_8.pdf

Comentarios

Publicar un comentario

Entradas populares de este blog

One-Hot Encoding

Imagen
ONE-HOT ENCODING Debido a que los datos categóricos no se pueden representar o no son aplicables en los algoritmos de aprendizaje automático, estos deben ser convertidos a valores de tipo numérico, de echo esto no es suficiente ya que los modelos definirán un orden natural entre las categorías esto implicaría un rendimiento deficiente para dar solución a esto se debe agregar una nueva variable binaria a cada valor entero, en si se debe hacer una representación de variables categóricas como vectores binarios, por consiguiente, se debe tener una correlación entre los valores categóricos y los valores enteros. Fuente: https://www.slideshare.net/SergiiGavrylov/kpi-summer-school-2015-word-embeddings-and-neural-language-modeling Muchos algoritmos de aprendizaje automático no pueden funcionar directamente con datos categóricos. Las categorías se deben convertir en números. Esto es necesario para las variables de entrada y salida que son categóricas. Bibliografía
Leer más

Machine Learning

Imagen
MACHINE LEARNING Machine Learning específicamente se encarga de crear sistemas que aprenden automáticamente, todo esto enmarcado en el campo de la Inteligencia artificial. Se basa en la identificación de patrones complejos en grandes volúmenes de información, siendo capaz de predecir comportamientos futuros, la máquina usa Big Data y algoritmos sofisticados para saber cómo realizar la tarea por sí misma. El machine Learning les permite a las aplicaciones “pensar” y hacer una determinación o proyección de manera independiente . El gran desarrollo que esta técnica o disciplina ha tenido en la última década se debe al desarrollo y avances en cuanto a procesamiento y almacenamiento de datos y el fácil acceso a estos datos, además de la gran tendencia y desarrollo sobre el manejo de grandes cantidades de datos que en un software convencional no es posible manejarlos, como son los macro datos o Big Data. Algunos Beneficios de Machine Learning -        Toma de d
Leer más

Inteligencia Artificial Aplicada a la Detección de Cambios en el Territorio

Imagen
INTELIGENCIA ARTIFICIAL APLICADA A LA DETECCIÓN DE CAMBIOS EN EL TERRITORIO El proyecto es realizado o se inició en el año 2016, cuyo objetivo es desarrollar una herramienta tecnológica que le permitirá detectar, automáticamente, cambios en el territorio a partir de ortofotos, busca identificar cambios de tipo vial o por nuevas construcciones. La tecnología desarrollada integra la librería de código abierto TensorFlow, desarrollada por Google, para el aprendizaje automático (Machine Learning). El trabajo realizado por GRAFCAN se ha centrado, principalmente, en la definición y evaluación de diversas arquitecturas de redes neuronales y en la creación de herramientas de generación de patrones de entrenamiento para dichas redes, La red desarrollada consta de 22 capas neuronales con más de 36 millones de parámetros a ajustar durante los procesos de entrenamiento. En estos entrenamientos de la red, tanto el inicial como los posteriores, se utilizan unos 85.000 patrones que son procesad
Leer más