Mostrar el registro sencillo del documento
Detección de monocultivos de palma de aceite en Colombia implementando un modelo de redes neuronales convolucionales a partir de imágenes satelitales
dc.rights.license | Atribución-CompartirIgual 4.0 Internacional |
dc.contributor.advisor | Niño Vázquez, Luis Fernando |
dc.contributor.advisor | Gutiérrez Torres, Juan David |
dc.contributor.author | Carvajal Rivera, John David |
dc.date.accessioned | 2023-11-02T15:49:00Z |
dc.date.available | 2023-11-02T15:49:00Z |
dc.date.issued | 2023 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/84860 |
dc.description | ilustraciones, diagramas, fotografías, mapas, |
dc.description.abstract | Palm oil is one of the most important crops in Colombia, with Colombia being the fourth largest producer of palm oil in the world. However, the monoculture of palm oil can have serious environmental consequences, such as deforestation and loss of biodiversity. Therefore, it is important to have tools that allow the detection of areas of palm oil monoculture. In this context, the use of satellite images is presented as an effective tool for the detection of palm oil monoculture on a large scale. In addition, the use of convolutional neural network models has been demonstrated as a very effective technique for image processing. In this research work, we propose to implement a convolutional neural network model for the detection of palm oil monocultures in Colombia using satellite images. It is expected that the implementation of this model will allow for precise and efficient detection of areas of palm oil monoculture, which can contribute to decision-making on land use and environmental conservation. (Texto tomado de la fuente) |
dc.description.abstract | Colombia es un país privilegiado para el desarrollo de la agricultura por su ubicación geográfica y diferentes pisos térmicos, los cuales permiten que se realicen variedad de cultivos de diferentes productos. Entre los más relevantes se encuentra la palma de aceite, donde Colombia ocupa el cuarto lugar como productor mundial, y el primero en América. Sin embargo, los monocultivos, que son grandes extensiones de tierra dedicada al cultivo de una sola especie como lo es la palma de aceite traen consecuencias irreparables para el ecosistema como: la deforestación que pone en peligro la conservación del agua, la eliminación de la flora y la fauna, la propagación de inundaciones como el agravamiento de sequías en el territorio y zonas adyacentes, la erosión acelerada del suelo, la contaminación del agua por el uso de fertilizantes y la aparición de plagas por la ruptura del equilibrio ecológico , además de impactos socioambientales para la población rural , entre otros. Por lo tanto, es importante contar con herramientas que permitan la detección de áreas de monocultivo de palma de aceite. En este contexto, el uso de imágenes satelitales se presenta como una herramienta eficaz para la detección de monocultivos de palma de aceite a gran escala. Además, el uso de modelos de redes neuronales convolucionales se ha demostrado como una técnica muy efectiva para el procesamiento de estas imágenes. El propósito de este trabajo de investigación es implementar un modelo de redes neuronales convolucionales para la detección de monocultivos de palma de aceite en Colombia a partir de imágenes satelitales. Se obtuvieron resultados muy promisorios frente a lo esperado, incluso en imágenes que eran externas al entrenamiento del modelo que permitió una detección precisa y eficiente de áreas de monocultivo de palma de aceite en regiones de Colombia. Esto puede contribuir a la toma de decisiones en materia de uso y a la conservación del medio ambiente. |
dc.format.extent | xv, 79 páginas |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.publisher | Universidad Nacional de Colombia |
dc.rights.uri | http://creativecommons.org/licenses/by-sa/4.0/ |
dc.subject.ddc | 620 - Ingeniería y operaciones afines |
dc.subject.ddc | 600 - Tecnología (Ciencias aplicadas) |
dc.subject.ddc | 630 - Agricultura y tecnologías relacionadas |
dc.title | Detección de monocultivos de palma de aceite en Colombia implementando un modelo de redes neuronales convolucionales a partir de imágenes satelitales |
dc.type | Trabajo de grado - Maestría |
dc.type.driver | info:eu-repo/semantics/masterThesis |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación |
dc.contributor.researchgroup | laboratorio de Investigación en Sistemas Inteligentes Lisi |
dc.coverage.country | Colombia |
dc.description.degreelevel | Maestría |
dc.description.degreename | Magíster en Ingeniería - Ingeniería de Sistemas y Computación |
dc.description.methods | Para el desarrollo y orientación de esta investigación se seleccionó la metodología SEMMA creada por el SAS Institute. Esta se define como el proceso de selección, exploración y modelado de grandes cantidades de datos para revelar patrones de negocio desconocidos. El nombre de esta terminología corresponde al acrónimo de las fases básicas del proceso: Sample (Muestreo), Explore (Exploración), Modify (Modificación), Model (Modelado) y Assess (Valoración). |
dc.description.researcharea | Sistemas inteligentes |
dc.identifier.instname | Universidad Nacional de Colombia |
dc.identifier.reponame | Repositorio Institucional Universidad Nacional de Colombia |
dc.identifier.repourl | https://repositorio.unal.edu.co/ |
dc.publisher.faculty | Facultad de Ingeniería |
dc.publisher.place | Bogotá, Colombia |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Bogotá |
dc.relation.references | Niall McCarthy, “Which Countries Produce The Most Palm Oil?,” https://www.forbes.com/sites/niallmccarthy/2020/10/02/which-countries-produce-the-most-palm-oil-infographic/?sh=5011ecd51e42, Apr. 08, 2023. |
dc.relation.references | S. Radhika, Y. Tamura, and M. Matsui, “Application of remote sensing images for natural disaster mitigation using wavelet based pattern recognition analysis,” in 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2016, pp. 84–87. doi: 10.1109/IGARSS.2016.7729012. |
dc.relation.references | T. Bai, D. Li, K. Sun, Y. Chen, and L. Wenzhuo, “Cloud Detection for High-Resolution Satellite Imagery Using Machine Learning and Multi-Feature Fusion,” Remote Sens (Basel), vol. 8, p. 715, Apr. 2016, doi: 10.3390/rs8090715. |
dc.relation.references | E. Bruzelius et al., “Satellite images and machine learning can identify remote communities to facilitate access to health services,” Journal of the American Medical Informatics Association, vol. 26, no. 8–9, pp. 806–812, Aug. 2019, doi: 10.1093/jamia/ocz111. |
dc.relation.references | A. D. Baimey et al., “WRM in English | World Rainforest Movement,” Nine Reasons to Say NO to Contract Farming with Palm Oil Companies, Feb. 23, 2023. https://www.wrm.org.uy/publications/nine-reasons-to-say-no-to-contract-farming-with-palm-oil-companies (accessed Feb. 22, 2023). |
dc.relation.references | T. Oberhuber, “Ecologistas en Acción,” Biodiversidad: Camino de la sexta gran extinción de especies,” Ecologistas en Acción,” Biodiversidad: Camino de la sexta gran extinción de especies, Nov. 04, 2022. https://www.ecologistasenaccion.org/ (accessed Nov. 03, 2023). |
dc.relation.references | Houghton Juan, “Conflictos territoriales de los pueblos indígenas en Colombia,” 2008. |
dc.relation.references | Colorado Barrientos Jorge Eliecer, “La implementación de semillas transgénicas en Colombia,” 2014. |
dc.relation.references | Fedepalma, “Federación Nacional de Cultivadores de Palma de Aceite,” https://web.fedepalma.org/la-palma-de-aceite-en-colombia-departamentos, Apr. 08, 2023. |
dc.relation.references | A. P. Cooman, A. P. Bochoo, and E. Hernandez, “De la investigación al cambio productivo. Sostenibilidad y eficiencia para la palmicultura colombiana,” pp. 44–49, 2009. |
dc.relation.references | Congreso de la República de Colombia, “Ley 1021 o Ley Forestal (2006),” http://www.secretariasenado.gov.co/senado/basedoc/ley_1021_2006.html, Apr. 08, 2023. |
dc.relation.references | W. Robles, “Revisiting Agrarian Reform in Brazil, 1985–2016,” J Dev Soc, vol. 34, no. 1, pp. 1–34, Jan. 2018, doi: 10.1177/0169796X17749658 |
dc.relation.references | W. Zhang, K. Itoh, J. Tanida, and Y. Ichioka, “Parallel distributed processing model with local space-invariant interconnections and its optical architecture.,” Appl Opt, vol. 29 32, pp. 4790–7, 1990. |
dc.relation.references | J. Iqbal, M. Vogt, and J. Bajorath, “Activity landscape image analysis using convolutional neural networks,” J Cheminform, vol. 12, no. 1, May 2020, doi: 10.1186/s13321-020-00436-5. |
dc.relation.references | K. Kapach, E. Barnea, R. Mairon, Y. Edan, and O. Ben-Shahar, “Computer vision for fruit harvesting robots - state of the art and challenges ahead,” Int. J. Comput. Vis. Robotics, vol. 3, pp. 4–34, 2012. |
dc.relation.references | V. Mnih, “Machine Learning for Aerial Image Labeling,” 2013. |
dc.relation.references | A. Payne and K. Walsh, “Machine Vision in Estimation of Fruit Crop Yield,” 2013. doi: 10.1201/b17441-17. |
dc.relation.references | S. Bargoti and J. Underwood, “Image Segmentation for Fruit Detection and Yield Estimation in Apple Orchards,” J Field Robot, vol. 34, Oct. 2016, doi: 10.1002/rob.21699 |
dc.relation.references | E. Maggiori, Y. Tarabalka, G. Charpiat, and P. Alliez, “Convolutional Neural Networks for Large-Scale Remote-Sensing Image Classification,” IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 2, pp. 645–657, 2017, doi: 10.1109/TGRS.2016.2612821 |
dc.relation.references | A. Kamilaris and F. X. Prenafeta-Boldú, “A review of the use of convolutional neural networks in agriculture,” J Agric Sci, vol. 156, no. 3, pp. 312–322, 2018, doi: DOI: 10.1017/S0021859618000436 |
dc.relation.references | J. Amara, B. Bouaziz, and A. Algergawy, “A Deep Learning-based Approach for Banana Leaf Diseases Classification.” |
dc.relation.references | A. Shabbir et al., “Satellite and Scene Image Classification Based on Transfer Learning and Fine Tuning of ResNet50,” Math Probl Eng, vol. 2021, 2021, doi: 10.1155/2021/5843816. |
dc.relation.references | C. E. Vargas Manrique, “Cultivos ilícitos y erradicación forzosa en Colombia,” Cuadernos de Economía, vol. 23, pp. 109–141, 2004. |
dc.relation.references | M. R. Chandran, “Producción Sostenible de aceite de palma: retos y oportunidades,” 2007. |
dc.relation.references | G. Finzi, “El caso de Poligrow en Mapiripán, Meta: entre acaparamiento (ilegal) de tierras y capitalismo verde,” Ciencia Política, vol. 12, no. 24, pp. 21–50, Jul. 2017, doi: 10.15446/cp.v12n24.63533. |
dc.relation.references | “Maquinaria computacional e Inteligencia Alan Turing, 1950.” |
dc.relation.references | A. M. Turing, “COMPUTING MACHINERY AND INTELLIGENCE,” 1950 |
dc.relation.references | IBM, “¿Qué es la inteligencia artificial?,” https://www.ibm.com/mx-es/topics/artificial-intelligence, Apr. 20, 2023 |
dc.relation.references | R. Lackes, D. Mack, J. Ziola, and K. Ahern, Neuronal Networks: Basics and Applications, CBT., vol. 1. Verlag Berlin Heidelberg: 1998, 1998 |
dc.relation.references | Y. Ding, Q. Feng, T. Wang, and X. Fu, “A modular neural network architecture with concept,” Neurocomputing, vol. 125, pp. 3–6, Feb. 2014, doi: 10.1016/j.neucom.2012.06.051 |
dc.relation.references | Bernard Widrow and Marcian E Hoff, “Adaptative Switching Circuits”. |
dc.relation.references | M. V Valueva, N. N. Nagornov, P. A. Lyakhov, G. V Valuev, and N. I. Chervyakov, “Application of the residue number system to reduce hardware costs of the convolutional neural network implementation,” Math Comput Simul, vol. 177, pp. 232–243, 2020, doi: https://doi.org/10.1016/j.matcom.2020.04.031. |
dc.relation.references | J. JALOMO, E. PRECIADO, and J. GUDIÑO, “Design of a convolutional neural network for classification of biomedical signals,” Journal of Research and Development, pp. 15–20, Jun. 2020, doi: 10.35429/jrd.2020.17.6.15.20. |
dc.relation.references | S. Contreras and F. De la Rosa, Aplicación de Deep Learning en Robótica Móvil para Exploración y Reconocimiento de Objetos basados en Imágenes. 2016. doi: 10.1109/ColumbianCC.2016.7750800. |
dc.relation.references | Amrita Pathak, “Redes neuronales convolucionales (CNN): una introducción,” https://geekflare.com/es/convolutional-neural-networks/, Aug. 2022. |
dc.relation.references | Lopez Saca Fidel, “Clasificación de imágenes usando redes neuronales convolucionales.” |
dc.relation.references | Sarker IH, Furhad MH, and Nowrozy R, “Ai-driven cybersecurity: an overview, security intelligence modeling and research directions.,” SN Computer, pp. 1–18, 2021. |
dc.relation.references | Sarker IH, “Machine learning: Algorithms, real-world applications and research directions,” SN Comput Sci, vol. 2, no. 3, pp. 1–21, 2021. |
dc.relation.references | I. H. Sarker, “Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions,” SN Comput Sci, vol. 2, no. 6, p. 420, 2021, doi: 10.1007/s42979-021-00815-1. |
dc.relation.references | Abadi M et al., “Tensorflow: a system for large-scale machine learning. In: 12th {USENIX} Symposium on operating systems design and implementation,” {OSDI} 16, pp. 265–283, 2016 |
dc.relation.references | K. Weiss, T. M. Khoshgoftaar, and D. D. Wang, “A survey of transfer learning,” J Big Data, vol. 3, no. 1, Dec. 2016, doi: 10.1186/s40537-016-0043-6. |
dc.relation.references | S. J. Pan and Q. Yang, “A Survey on Transfer Learning,” IEEE Trans Knowl Data Eng, vol. 22, no. 10, pp. 1345–1359, 2010, doi: 10.1109/TKDE.2009.191 |
dc.relation.references | N. Mo, L. Yan, R. Zhu, and H. Xie, “Class-Specific Anchor Based and Context-Guided Multi-Class Object Detection in High Resolution Remote Sensing Imagery with a Convolutional Neural Network,” Remote Sens (Basel), vol. 11, p. 272, Apr. 2019, doi: 10.3390/rs11030272 |
dc.relation.references | P. Zavala and C. Zavala, “USO DE IMÁGENES SATELITALES DE ALTA RESOLUCIÓN PARA GENERAR CARTOGRAFÍA,” Revista Facultad de Ingeniería - Universidad de Tarapacá, vol. 10, pp. 35–43, Apr. 2002, doi: 10.4067/S0718-13372002001000005 |
dc.relation.references | Felipe Espinosa Wang, “Satélite chino podría tomar imágenes de alta resolución de ciudades de EE. UU. en segundos,” https://www.dw.com/es/sat%C3%A9lite-chino-podr%C3%ADa-tomar-im%C3%A1genes-de-alta-resoluci%C3%B3n-de-ciudades-de-ee-uu-en-segundos/a-60289654, China, Apr. 22, 2023. |
dc.relation.references | P. A. Devijver, J. Kittler, Jean-Philippe Lang, and Jeff Schneider, “Cross-Validation,” https://es.wikipedia.org/wiki/Validaci%C3%B3n_cruzada#cite_note-vca-6, Apr. 16, 2023. |
dc.relation.references | Andrew W. Moore, “Cross-validation for detecting and preventing overfitting,” Wayback Machine - Camegie Mellon University, Aug. 2011 |
dc.relation.references | The European Space Agency, “Las imágenes por satélite, esenciales para el funcionamiento de Google Earth,” https://www.esa.int/Space_in_Member_States/Spain/Las_imagenes_por_satelite_esenciales_para_el_funcionamiento_de_Google_Earth, Apr. 22, 2023. |
dc.relation.references | EE Explorer, “Introducción a Google Earth Engine,” https://www.google.com/intl/es_es/earth/outreach/learn/introduction-to-google-earth-engine/, Apr. 22, 2023 |
dc.relation.references | L. Kumar and O. Mutanga, “Google Earth Engine applications since inception: Usage, trends, and potential,” Remote Sens (Basel), vol. 10, no. 10, Oct. 2018, doi: 10.3390/rs10101509 |
dc.relation.references | N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, and R. Moore, “Google Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sens Environ, vol. 202, pp. 18–27, Dec. 2017, doi: 10.1016/j.rse.2017.06.031 |
dc.relation.references | CHRONICLESDENGEN, “What is the difference between Sentinel 1 and 2?,” https://chroniclesdengen.com/what-is-the-difference-between-sentinel-1-and-2/, Apr. 24, 2023 |
dc.relation.references | ESA, “Sentinel Online,” https://sentinels.copernicus.eu/web/sentinel/missions/sentinel-2, Apr. 24, 2023. |
dc.relation.references | C. Yang et al., “Big Earth data analytics: a survey,” Big Earth Data, vol. 3, no. 2, pp. 83–107, 2019, doi: 10.1080/20964471.2019.1611175 |
dc.relation.references | X. Kang, Y. Huang, S. Li, H. Lin, and J. A. Benediktsson, “Extended Random Walker for Shadow Detection in Very High Resolution Remote Sensing Images,” IEEE Transactions on Geoscience and Remote Sensing, vol. 56, no. 2, pp. 867–876, 2018, doi: 10.1109/TGRS.2017.2755773 |
dc.relation.references | GOTA Universidad de Laguna, “Proceso de teledetección e iteración con la radiación incidente y los objetos de interés,” https://www.ull.es/investigacion/grupos-investigacion/grupo-de-observacion-de-la-tierra-y-la-atmosfera-gota/, Nov. 28, 2022 |
dc.relation.references | Britos Paola, “PROCESOS DE EXPLOTACION DE INFORMACION BASADOS EN SISTEMAS INTELIGENTES,” Tesis presentada para obtener el grade de Doctor en Ciencias Informaticas, Universidad Nacional de la Plata, La Plata, Buenos Aires , 2008 |
dc.relation.references | F. Peralta, “Proceso de Conceptualización del Entendimiento del Negocio para Proyectos de Explotación de Información,” Revista Latinoamericana de Ingenieria de Software, vol. 2, p. 273, Apr. 2014, doi: 10.18294/relais.2014.273-306. |
dc.relation.references | Fedepalma, “Localizaciôn geogrâfica de cultivos y plantas de beneficio,” http://sispaweb.fedepalma.org/sispaweb/default.aspx?Control=Pages/areas, Apr. 26, 2023 |
dc.relation.references | D. Adrià, W. Serge, M. Erik, G. David, P. Stephen, and S. Zoltan, “High resolution global industrial and smallholder oil palm map for 2019,” Jan. 2021, doi: 10.5281/ZENODO.4473715 |
dc.relation.references | Samarth Agrawal, “How to split data into three sets (train, validation, and test) And why?,” https://towardsdatascience.com/how-to-split-data-into-three-sets-train-validation-and-test-and-why-e50d22d3e54c, May 17, 2021 |
dc.relation.references | d’Archimbaud Edouard, “Training, Validation and Test Sets: How To Split Machine Learning Data,” https://kili-technology.com/training-data/training-validation-and-test-sets-how-to-split-machine-learning-data, May 21, 2023 |
dc.relation.references | Samarth Agrawal, “Understanding the Confusion Matrix from Scikit learn,” https://towardsdatascience.com/understanding-the-confusion-matrix-from-scikit-learn-c51d88929c79, Jan. 01, 2021. |
dc.rights.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.agrovoc | Palma de aceite |
dc.subject.agrovoc | oil palm |
dc.subject.lemb | Palma africana |
dc.subject.lemb | Oil-palm |
dc.subject.proposal | Redes neuronales convolucionales |
dc.subject.proposal | Aprendizaje profundo |
dc.subject.proposal | Imágenes satelitales |
dc.subject.proposal | Transferencia de aprendizaje |
dc.subject.proposal | Convolutional neural networks |
dc.subject.proposal | Deep learning |
dc.subject.proposal | Satellite imagery |
dc.subject.proposal | Transfer Learning |
dc.title.translated | Detection of oil palm monocultures in Colombia by implementing a convolutional neural network model from satellite image |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
dc.type.redcol | http://purl.org/redcol/resource_type/TM |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
dcterms.audience.professionaldevelopment | Estudiantes |
dcterms.audience.professionaldevelopment | Investigadores |
dcterms.audience.professionaldevelopment | Maestros |
dcterms.audience.professionaldevelopment | Público general |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
![Atribución-CompartirIgual 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-generic.png)