- -

Detección de cambios en la cobertura vegetal mediante interpretación de imágenes Landsat por redes neuronales artificiales (RNA). Caso de estudio: Región Amazónica Ecuatoriana

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Detección de cambios en la cobertura vegetal mediante interpretación de imágenes Landsat por redes neuronales artificiales (RNA). Caso de estudio: Región Amazónica Ecuatoriana

Show full item record

Jaramillo, L.; Antunes, A. (2018). Detección de cambios en la cobertura vegetal mediante interpretación de imágenes Landsat por redes neuronales artificiales (RNA). Caso de estudio: Región Amazónica Ecuatoriana. Revista de Teledetección. (51):33-46. doi:10.4995/raet.2018.8995

Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10251/105582

Files in this item

Item Metadata

Title: Detección de cambios en la cobertura vegetal mediante interpretación de imágenes Landsat por redes neuronales artificiales (RNA). Caso de estudio: Región Amazónica Ecuatoriana
Secondary Title: Change detection in vegetation cover through interpretation of Landsat images by artificial neural networks (ANN). Case study: Ecuadorian Amazon Region
Author:
Issued date:
Abstract:
[EN] The interpretation of classes and change detection in the vegetation cover of large areas are activities that are made possible by the use of technologies and methods associated to Remote Sensing. Satellite images of ...[+]


[ES] La interpretación de clases y detección de cambios en la cobertura vegetal de áreas extensas, son actividades que se viabilizan mediante el uso de tecnologías y métodos asociados a la Percepción Remota. Imágenes ...[+]
Subjects: Redes Neuronales Artificiales , Detección de cambios , Imágenes satelitales , Artificial Neural Network , Change detection , Satellite images
Copyrigths: Reconocimiento - No comercial - Sin obra derivada (by-nc-nd)
Source:
Revista de Teledetección. (issn: 1133-0953 ) (eissn: 1988-8740 )
DOI: 10.4995/raet.2018.8995
Publisher:
Universitat Politècnica de València
Publisher version: https://doi.org/10.4995/raet.2018.8995
Type: Artículo

References

Achard, F. 2002. Determination of Deforestation Rates of the World's Humid Tropical Forests. Science, 297(5583), 999-1002. https://doi.org/10.1126/ science.1070656

Ambrosio, G., González, J., Arévalo, V. 2009. Comparación de imágenes de satélite para la Detección de Cambios Temporales. Málaga, España. Dpto. Ingeniería de Sistemas y Automática. Universidad de Málaga, p. 1-6. Último acceso: 7 julio 2014, de http://mapir.isa.uma.es/varevalo/ drafts/ambrosio2003cis.pdf

Angelsen, A., Kaimowitz, D. 1999. Rethinking the causes of deforestation: lessons from economic models. The World Bank Research Observer, 14(1), 73-98. https://doi.org/10.1093/wbro/14.1.73 [+]
Achard, F. 2002. Determination of Deforestation Rates of the World's Humid Tropical Forests. Science, 297(5583), 999-1002. https://doi.org/10.1126/ science.1070656

Ambrosio, G., González, J., Arévalo, V. 2009. Comparación de imágenes de satélite para la Detección de Cambios Temporales. Málaga, España. Dpto. Ingeniería de Sistemas y Automática. Universidad de Málaga, p. 1-6. Último acceso: 7 julio 2014, de http://mapir.isa.uma.es/varevalo/ drafts/ambrosio2003cis.pdf

Angelsen, A., Kaimowitz, D. 1999. Rethinking the causes of deforestation: lessons from economic models. The World Bank Research Observer, 14(1), 73-98. https://doi.org/10.1093/wbro/14.1.73

Basogain, X. 2008. Redes neuronales artificiales y sus aplicaciones. Departamento de Ingeniería de Sistemas y Automática, Escuela Superior de Ingeniería Bilbao. Open Course Ware. País Vasco. Último acceso: 28 de ctubre 2014, de https://ocw.ehu. eus/pluginfile.php/9047/mod_resource/content/1/ redes_neuro/contenidos/pdf/libro-del-curso.pdf

Centeno, J. A. S. 2003. Sensoriamento remoto e processamento de imagens digitais. Curitiba: UFPR.

Chander, G., Markham, B. 2003. Revised Landsat-5 TM Radiometrie Calibration Procedures and Postcalibration Dynamic Ranges. IEEE Transactions on Geoscience and Remote Sensing, 41(11) Part II, 2674-2677. https://doi.org/10.1109/ TGRS.2003.818464

Cohen, J. 1960. A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, 20(1), 37-46. https://doi. org/10.1177/001316446002000104

Crosta, A. P. 1999. Processamento digital de imagens de sensoriamento remoto. Campinas: UNICAMP/ Instituto de Geociências.

Haykin, S. 2001. Redes neurais: princípios e prática. Bookman, 900.

Ílsever, M., Ünsalan, C. 2012. Pixel-Based Change Detection Methods. Two-Dimensional Change Detection Methods. Springer. 7-22. https://doi.org/10.1007/978-1-4471-4255-3_2

Isasi, P., Galván, I. 2004. Redes de neuronas artificiales. Un enfoque práctico. Madrid: Prentice Hall.

Kaufman, Y. J., Wald, A. E., Remer, L. A., Gao, B.- C., Li, R.-R., Flynn, L. 1997. The MODIS 2.1um channel-correlation with visible reflectance for use in remote sensing of aerosol. IEEE Transactions on Geoscience and Remote Sensing, 35(5), 1286-1298. https://doi.org/10.1109/36.628795

Keenan, R. J., Reams, G. A., Achard, F., De Freitas, J. V., Grainger, A., Lindquist, E. 2015. Dynamics of global forest area: results from the FAO Global Forest Resources Assessment 2015. Forest Ecology and Management, 352, 9-20. https://doi.org/10.1016/j.foreco.2015.06.014

Kotchenova, S. Y., Vermote, E. F., Matarrese, R., Frank J., Klemm, J. 2006. Validation of a vector version of the 6S radiative transfer code for atmospheric correction of satellite data. Part I: Path radiance. Applied Optics, 45(26), 6762-6774, set. Disponible en: Último acceso: 22 mayo 2015, de http://ao.osa.org/abstract.cfm?URI=ao-45-26-6762

Lu, D., Mausel, P., Brondízio, E., Moran, E. 2004. Change detection techniques. International Journal of Remote Sensing, 25(12), 2365-2401. https://doi.org/10.1080/0143116031000139863

MAE. (2012a). Metodología para la Representación Cartográfica de los Ecosistemas del Ecuador Continental. Ministerio del Ambiente del Ecuador. Último acceso: 29 de Agosto de 2014, de http://www.ambiente.gob.ec/wp-content/ uploads/downloads/2012/09/Documento_ Metodolog+¡a_28_05_2012_v2_1.pdf

MAE (2012b). Línea Base de deforestación del Ecuador Continental. Ministerio del Ambiente de Ecuador. Último acceso en: 28 de octubre de 2014, de http:// sociobosque.ambiente.gob.ec/files/Folleto%20 mapa-parte1.pdf

Moya, A. 2012. Detección automática de nuevas construcciones a partir de ortofotos. Universitat de Valencia. Último acceso: 28 de agosto de 2014, de http://personales.upv.es/almofue/ curso02/26092012Tesina.pdf

OpenForis 2009. Open Foris Geospatial Tools. Food and Agriculture Organization of United Nations (FA0). Último acceso: 25 de febrero de 2017, de http://www.fao.org/forestry/fma/openforis/en/

Schmidt, G., Jenkerson, C., Masek, J., Vermote, E., Gao, F. 2013. Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS) Algorithm DescriptionOpen-file Report 2013-1057. U.S. Geologycal Survey Home Page. Último acceso: 16/ agosto/2017, de http://pubs.usgs.gov/of/2013/1057/

Singh, A. 1989. Review Article Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, 10(6), 989-1003. https:// doi.org/10.1080/01431168908903939

SUIA 1990. Sistema Único de Información Ambiental - Ministerio del Ambiente del Ecuador. Mapa Interactivo Ambiental. Último acceso en: 30 de junio de 2015, de http://mapainteractivo.ambiente.gob.ec/

USGS. Landsat Surface Reflectance Higher-Level Data Products. U.S. Geologycal Survey Home Page. Último acceso: 28 de mayo de 2015, de https://landsat.usgs.gov/landsat-surface-reflectancehigh-level-data-products

Valencia, R., Cerón, C., Palacios, W., Sierra, R. (1999). Las formaciones naturales de la Amazonía del Ecuador. Sierra, R. (ed) Propuesta preliminar de un sistema de clasificación de vegetación para el Ecuador continental. Proyecto INEFAN/GEF-BIRF y EcoCiencia, Quito, 109-119.

Vermote, E. F., Tanré, D., Deuzé, J. L., Herman, M., Morcrette, J. J. 1997. Second simulation of the satellite signal in the solar spectrum, 6s: an overview. IEEE Transactions on Geoscience and Remote Sensing, 35(3), 675-686. https://doi.org/10.1109/36.581987

[-]

This item appears in the following Collection(s)

Show full item record