Por favor, use este identificador para citar o enlazar este ítem: https://dspace.unl.edu.ec/jspui/handle/123456789/30568
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorFigueroa Díaz, Roberth Gustavo-
dc.contributor.authorMartinez Chamba, Ángel Steven-
dc.date.accessioned2024-09-13T19:56:24Z-
dc.date.available2024-09-13T19:56:24Z-
dc.date.issued2024-09-13-
dc.identifier.urihttps://dspace.unl.edu.ec/jspui/handle/123456789/30568-
dc.descriptionIn recent years, land cover classification using convolutional neural networks (CNN) has emerged as an advanced technique to overcome the limitations of traditional methods in land use classification. This degree work synthesizes the current status of convolutional neural networks (CNNs) applied to land cover classification using multispectral imagery. During the research phase, we identified 854 publications in scientific databases published between 2020 and 2024. Of these 854 studies, we selected 38 that met the inclusion and exclusion criteria. The analysis of these studies identified a variety of CNN architectures, including hybrid models, U-Net, ResNet, VGGNet, FCN, and DenseNet, as well as the metrics reported and the satellite sensors used, particularly Landsat and Sentinel. In the evaluation and comparison phase, DenseNet showed an accuracy of 90.15% during training but only 53.48% in the validation with field data. On the other hand, the hybrid models achieved 89.91% accuracy during training and 57.88% accuracy during validation. The average accuracy of CNNs varies significantly by architecture and dataset, but Landsat 8 imagery averaged 49.94%. In addition, data preprocessing techniques, such as band combining and atmospheric reflectance correction, also have a meaningful impact on improving accuracy. The work demonstrates that CNNs have great potential to optimize the early detection of environmental changes in vegetation cover using multispectral imagery. Keywords: convolutional neural networks, multispectral imagery, vegetation cover, deep learning, mapping vegetation cover, systematic mapping es_ES
dc.description.abstractEn los últimos años, la clasificación de la cobertura vegetal mediante redes neuronales convolucionales (CNN) ha emergido como una técnica avanzada para superar las limitaciones de los métodos tradicionales en la clasificación del uso del suelo. Este trabajo de titulación sintetiza el estado actual de las redes neuronales convolucionales (CNN) aplicadas a la clasificación de cobertura vegetal usando imágenes multiespectrales. En el transcurso de la fase de investigación, se identificaron 854 publicaciones en bases de datos científicas que se publicaron entre 2020 y 2024. De estos 854 estudios, se seleccionaron 38 que cumplieron con los criterios de inclusión y exclusión. El análisis de estos estudios permitió identificar una variedad de arquitecturas de CNN, incluidos modelos híbridos, U-Net, ResNet, VGGNet, FCN y DenseNet, así como las métricas reportadas y los sensores satelitales utilizados destacando Landsat y Sentinel. En la fase de evaluación y comparación, DenseNet demostró una precisión del 90.15% durante el entrenamiento, pero solo un 53.48% en la validación con datos reales. Por otro lado, los modelos híbridos alcanzaron un 89,91% de precisión durante el entrenamiento y del 57,88% durante la validación. La precisión promedio de las CNN varía significativamente según la arquitectura y el conjunto de datos, pero las imágenes de Landsat 8 tienen un promedio del 49.94%. Además, las técnicas de preprocesamiento de datos, como la combinación de bandas y la corrección de reflectancia atmosférica, tienen un impacto significativo en la mejora de la precisión. El trabajo demuestra que las CNN tienen un gran potencial para optimizar la detección temprana de cambios ambientales en la cobertura vegetal utilizando imágenes multiespectrales. Palabras clave: redes neuronales convolucionales, imágenes multiespectrales cobertura vegetal, aprendizaje profundo, mapeo sistemático  es_ES
dc.format.extent72 P.es_ES
dc.language.isospaes_ES
dc.publisherUniversidad Nacional de Lojaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectREDES NEURONALES CONVOLUCIONALESes_ES
dc.subjectIMÁGENES MULTIESPECTRALESes_ES
dc.subjectCOBERTURA VEGETALes_ES
dc.subjectAPRENDIZAJE PROFUNDOes_ES
dc.subjectMAPEO SISTEMÁTICOes_ES
dc.titleEstado actual de las Redes Neuronales Convolucionales en la clasificación de cobertura vegetal a través de imágenes multiespectrales: un mapeo sistemáticoes_ES
dc.title.alternativeCurrent status of Convolutional Neural Networks in vegetation cover classification through multispectral imaging: a systematic mappinges_ES
dc.typebachelorThesises_ES
Aparece en las colecciones: TRABAJOS DE TITULACION AEIRNNR

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
AngelSteven_MartinezChamba.pdf3,27 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.