- -

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

  • Estadisticas de Uso

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

Show simple item record

Files in this item

dc.contributor.author Jaramillo, L.V. es_ES
dc.contributor.author Antunes, A.F. es_ES
dc.date.accessioned 2018-07-09T09:35:03Z
dc.date.available 2018-07-09T09:35:03Z
dc.date.issued 2018-06-29
dc.identifier.issn 1133-0953
dc.identifier.uri http://hdl.handle.net/10251/105582
dc.description.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 medium and high spatial and spectral resolution are fundamental tools for the execution of projects with objectives of classification of vegetal cover and detection of its temporal variations. To exploit the use of digital information of territory recovered by the satellite images, and in order to optimize the resources invested in the tasks of classification and interpretation, it is necessary to have tools and methods that allow the automation of the processes involved and prove to be the Artificial Neural Networks (ANNs) an adequate mechanism for the execution of these processes. The main objective of this work is to validate a methodology for the identification of changes in the vegetation cover of an area located in the Ecuadorian Amazon. The applied methodology seeks the change detection in the coverage of native forests prevailing in the study region. es_ES
dc.description.abstract [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 satelitales de media y alta resolución espacial y espectral, constituyen herramientas fundamentales para la ejecución de proyectos que tienen como objetivo principal la clasificación de la cobertura vegetal y la detección de sus variaciones temporales. Para explotar de mejor forma el uso de la información del territorio recuperada por las imágenes satelitales, y con el fin de optimizar los recursos invertidos en las tareas de clasificación e interpretación, es requerimiento disponer de herramientas y métodos que permitan la automatización de los procesos involucrados. Las Redes Neuronales Artificiales (RNAs) demuestran ser un mecanismo adecuado para la ejecución de estos procesos. El presente trabajo, tiene como principal objetivo validar una metodología para la identificación de cambios en la cobertura vegetal de un área localizada en la Amazonía ecuatoriana. La metodología aplicada busca principalmente la detección de cambios en la cobertura de bosques nativos predominantes en la región de estudio. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València
dc.relation.ispartof Revista de Teledetección
dc.rights Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) es_ES
dc.subject Redes Neuronales Artificiales es_ES
dc.subject Detección de cambios es_ES
dc.subject Imágenes satelitales es_ES
dc.subject Artificial Neural Network es_ES
dc.subject Change detection es_ES
dc.subject Satellite images es_ES
dc.title Detección de cambios en la cobertura vegetal mediante interpretación de imágenes Landsat por redes neuronales artificiales (RNA). Caso de estudio: Región Amazónica Ecuatoriana es_ES
dc.title.alternative Change detection in vegetation cover through interpretation of Landsat images by artificial neural networks (ANN). Case study: Ecuadorian Amazon Region es_ES
dc.type Artículo es_ES
dc.date.updated 2018-07-09T07:15:45Z
dc.identifier.doi 10.4995/raet.2018.8995
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation 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. https://doi.org/10.4995/raet.2018.8995 es_ES
dc.description.accrualMethod SWORD es_ES
dc.relation.publisherversion https://doi.org/10.4995/raet.2018.8995 es_ES
dc.description.upvformatpinicio 33 es_ES
dc.description.upvformatpfin 46 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.issue 51
dc.identifier.eissn 1988-8740
dc.description.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 es_ES
dc.description.references 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 es_ES
dc.description.references 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 es_ES
dc.description.references 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 es_ES
dc.description.references Centeno, J. A. S. 2003. Sensoriamento remoto e processamento de imagens digitais. Curitiba: UFPR. es_ES
dc.description.references 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 es_ES
dc.description.references Cohen, J. 1960. A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, 20(1), 37-46. https://doi. org/10.1177/001316446002000104 es_ES
dc.description.references Crosta, A. P. 1999. Processamento digital de imagens de sensoriamento remoto. Campinas: UNICAMP/ Instituto de Geociências. es_ES
dc.description.references Haykin, S. 2001. Redes neurais: princípios e prática. Bookman, 900. es_ES
dc.description.references 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 es_ES
dc.description.references Isasi, P., Galván, I. 2004. Redes de neuronas artificiales. Un enfoque práctico. Madrid: Prentice Hall. es_ES
dc.description.references 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 es_ES
dc.description.references 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 es_ES
dc.description.references 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 es_ES
dc.description.references 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 es_ES
dc.description.references 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 es_ES
dc.description.references 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 es_ES
dc.description.references 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 es_ES
dc.description.references 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/ es_ES
dc.description.references 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/ es_ES
dc.description.references 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 es_ES
dc.description.references 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/ es_ES
dc.description.references 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 es_ES
dc.description.references 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. es_ES
dc.description.references 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 es_ES


This item appears in the following Collection(s)

Show simple item record