Resumo

SUAREZ L, Arnol S; JIMENEZ L, Andrés F; CASTRO-FRANCO, Mauricio  e  CRUZ-ROA, Angel. Classificação e mapeamento automático de coberturas do solo em imagens de satélite usando redes neurais convolucionais. Orinoquia [online]. 2017, vol.21, suppl.1, pp.64-75. ISSN 0121-3709.  https://doi.org/10.22579/20112629.432.

A classificação da cobertura da terra é importante para estudos de mudanças climáticas e monitoramento dos serviços dos ecossistemas. Os métodos convencionais de classificação de cobertura são feitos através da interpretação visual de imagens de satélite, que é caro, dispendioso e impreciso. Implementar métodos computacionais poderia gerar procedimentos de classificação de cobertura em imagenes de satélite de forma automática, rápida, precisa e econômica. Particularmente, métodos de aprendizado de máquina são promissores métodos computacionais para estimar a cobertura do solo mudanças. Neste artigo apresentamos um método de aprendizado de máquina baseado em convolutional neural tipo ConvNet rede de arquitetura para a classificação automática de cobertura do solo a partir de Landsat 5 imagens TM. O ConvNet foi treinado desde anotações manuais através da interpretação visual das imagens de satélite que os especialistas geraram o mapa de cobertura do Parque Nacional Tuparro, Colômbia Parque Nacional Natural. A validação do modelo foi realizada com cobertura de mapa de dados da Amazônia colombiana pelo Sistema de Informação Ambiental da Colômbia. Os resultados da diagonal da matriz de confusão da precisão média foi de 83,27% e Formação e 91,02% na validação; para a classificação em manchas entre florestas, áreas com vegetação herbácea e / ou arbusto, áreas abertas com poucamou nenhuma vegetação águas interiores.

Palavras-chave : Aprendizagem de máquina; cobertura do solo; parques naturais; rede neural convolutional; sensoriamento remoto..

        · resumo em Espanhol | Inglês     · texto em Espanhol     · Espanhol ( pdf )