- -

AmazonCRIME: un conjunto de datos y punto de referencia de Inteligencia Artificial Geoespacial para la clasificación de áreas potenciales vinculadas a Crímenes Ambientales Transnacionales en la Selva Amazónica

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

AmazonCRIME: un conjunto de datos y punto de referencia de Inteligencia Artificial Geoespacial para la clasificación de áreas potenciales vinculadas a Crímenes Ambientales Transnacionales en la Selva Amazónica

Mostrar el registro sencillo del ítem

Ficheros en el ítem

Thumbnail
Nombre: Pinto-HidalgoSilv ...
Tamaño: 3.350Mb
Formato: PDF
Descripción: Versión editorial
Abrir
dc.contributor.author Pinto-Hidalgo, Jairo J. es_ES
dc.contributor.author Silva-Centeno, Jorge A. es_ES
dc.date.accessioned 2022-02-01T10:12:07Z
dc.date.available 2022-02-01T10:12:07Z
dc.date.issued 2022-01-31
dc.identifier.issn 1133-0953
dc.identifier.uri http://hdl.handle.net/10251/180422
dc.description.abstract [EN] In this article the challenge of detecting areas linked to transnational environmental crimes in the Amazon rainforest is addressed using Geospatial Intelligence data, open access Sentinel-2 imagery provided by the Copernicus programme, as well as the cloud processing capabilities of the Google Earth Engine platform. For this, a dataset consisting of 6 classes with a total of 30,000 labelled and geo-referenced 13-band multispectral images was generated, which is used to feed advanced Geospatial Artificial Intelligence models (deep convolutional neural networks) specialised in image classification tasks. With the dataset presented in this paper it is possible to obtain a classification overall accuracy of 96.56%. It is also demonstrated how the results obtained can be used in real applications to support decision making aimed at preventing Transnational Environmental Crimes in the Amazon rainforest. The AmazonCRIME Dataset is made publicly available in the repository: https://github.com/jp-geoAI/AmazonCRIME.git. es_ES
dc.description.abstract [ES] En este artículo es abordado el desafío de detectar áreas vinculadas con crímenes ambientales trasnacionales en la selva amazónica usando datos de Inteligencia Geoespacial, imágenes de libre acceso Sentinel-2 proporcionadas por el programa Copernicus, así como también las capacidades de procesamiento en la nube de la plataforma Google Earth Engine. Para esto, se generó un conjunto de datos que consta de 6 clases con un total de 30.000 imágenes multiespectrales de 13 bandas, etiquetadas y georreferenciadas que es usado para alimentar modelos avanzados de Inteligencia Artificial Geoespacial (redes neuronales convolucionales profundas) especializados en las tareas de clasificación de imágenes. Con el conjunto de datos presentado en este artículo es posible obtener una exactitud global (overall accuracy) de clasificación de 96.56%. Es también demostrado cómo los resultados obtenidos se pueden utilizar en aplicaciones reales para apoyar la toma de decisiones destinadas a prevenir los Crímenes Ambientales Transnacionales en la selva Amazónica. El Conjunto de datos AmazonCRIME se coloca a disposición del público en el repositorio: https://github.com/jp-geoAI/AmazonCRIME.git. es_ES
dc.description.sponsorship Agradecemos al Programa de Posgraduación en Ciencias Geodésicas de la Universidad Federal de Paraná y el apoyo financiero al Consejo Nacional de Desarrollo Científico y Tecnológico de Brasil (CNPq) (190032/2017-0). es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.relation.ispartof Revista de Teledetección es_ES
dc.rights Reconocimiento - No comercial - Compartir igual (by-nc-sa) es_ES
dc.subject Crímenes ambientales trasnacionales es_ES
dc.subject Selva amazónica es_ES
dc.subject Sentinel-2 es_ES
dc.subject Inteligencia geoespacial es_ES
dc.subject Inteligencia Artificial Geoespacial es_ES
dc.subject Transnational Environmental Crimes es_ES
dc.subject Amazon rainforest es_ES
dc.subject Geospatial Intelligence es_ES
dc.subject Geospatial Artificial Intelligence es_ES
dc.title AmazonCRIME: un conjunto de datos y punto de referencia de Inteligencia Artificial Geoespacial para la clasificación de áreas potenciales vinculadas a Crímenes Ambientales Transnacionales en la Selva Amazónica es_ES
dc.title.alternative AmazonCRIME: a Geospatial Artificial Intelligence dataset and benchmark for the classification of potential areas linked to Transnational Environmental Crimes in the Amazon Rainforest es_ES
dc.type Artículo es_ES
dc.identifier.doi 10.4995/raet.2022.15710
dc.relation.projectID info:eu-repo/grantAgreement/CNPq//190032/2017-0/ es_ES
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Pinto-Hidalgo, JJ.; Silva-Centeno, JA. (2022). AmazonCRIME: un conjunto de datos y punto de referencia de Inteligencia Artificial Geoespacial para la clasificación de áreas potenciales vinculadas a Crímenes Ambientales Transnacionales en la Selva Amazónica. Revista de Teledetección. 0(59):1-21. https://doi.org/10.4995/raet.2022.15710 es_ES
dc.description.accrualMethod OJS es_ES
dc.relation.publisherversion https://doi.org/10.4995/raet.2022.15710 es_ES
dc.description.upvformatpinicio 1 es_ES
dc.description.upvformatpfin 21 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 0 es_ES
dc.description.issue 59 es_ES
dc.identifier.eissn 1988-8740
dc.relation.pasarela OJS\15710 es_ES
dc.contributor.funder Conselho Nacional de Desenvolvimento Científico e Tecnológico, Brasil es_ES
dc.description.references Abdani, S.R., & Zulkifley, M.A. 2019. Densenet with spatial pyramid pooling for industrial oil palm plantation detection. In 2019 International Conference on Mechatronics, Robotics and Systems Engineering. 134-138. https://doi.org/10.1109/MoRSE48060.2019.8998735 es_ES
dc.description.references Basu, S., Ganguly, S., Mukhopadhyay, S., DiBiano, R., Karki, M., & Nemani, R. 2015. DeepSat - A Learning framework for Satellite Imagery. Association for Computing Machinery, 37, 1-10. https://doi. org/10.1145/2820783.2820816 es_ES
dc.description.references Bingham, H., Bignoli, D., Lewis, E., MacSharry, B., Burgess, N., Visconti, P., Kingston, N. 2019. Sixty years of tracking conservation progress using the World Database on Protected Areas. Nature Ecology & Evolution, 3, 737-743. https://doi.org/10.1038/s41559-019-0869-3 es_ES
dc.description.references Boguszewski, A., Batorski, D., Jankowska, N., Zambrzycka, A., & Dziedzic, T. 2020. LandCover. ai: Dataset for Automatic Mapping of Buildings, Woodlands and Water from Aerial Imagery. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 1102-1110. https://doi.org/10.1109/CVPRW53098.2021.00121 es_ES
dc.description.references CAF (Banco de Desarrollo de América Latina). 2019. La riqueza natural de la Amazonía como base del desarrollo sostenible regional. Último acceso: 01 de Noviembre, 2021, de https://www.caf.com/es/ conocimiento/visiones/2019/09/la-riqueza-natural-de-la-amazonia-como-base-del-desarrollo-sostenible-regional/. es_ES
dc.description.references Camps-Valls, G., Tuia, D., Zhu, X.X., & Reichstein, M. (Eds.). 2021. Deep learning for the Earth Sciences: A comprehensive approach to remote sensing, climate science and geosciences. John Wiley & Sons. es_ES
dc.description.references https://doi.org/10.1002/9781119646181 es_ES
dc.description.references Cheng, G., Han, J., & Lu, X. 2017. Remote Sensing Image Scene Classification: Benchmark and State of the Art. Proceedings of the IEEE, 105(10), 1865-1883. https://doi.org/10.1109/JPROC.2017.2675998 es_ES
dc.description.references Chiu, M.T., Xu, X., Wei, Y., Huang, Z., Schwing, A. G., Brunner, R.,... & Shi, H. 2020. Agriculture- vision: A large aerial image database for agricultural pattern analysis. In Proceedings of the IEEE/ CVF Conference on Computer Vision and Pattern Recognition, 2828-2838. https://doi.org/10.1109/CVPR42600.2020.00290 es_ES
dc.description.references Clark, R. 2020. Geospatial Intelligence. Origins and Evolution. Washington, DC: Geogertown University Press. es_ES
dc.description.references Coorey, R. 2018. The Evolution of Geospatial Intelligence. Australian Contributions to Strategic and Military Geography. Advances in Military Geosciences. Springer, Cham. https://doi.org/10.1007/978-3-319-73408-8_10 es_ES
dc.description.references Demir, I., Koperski, K., Lindenbaum, D., Pang, G., Huang, J., Basu, S.,... & Raskar, R. 2018. Deepglobe 2018: A challenge to parse the earth through satellite images. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 172-181. https://doi.org/10.1109/CVPRW.2018.00031 es_ES
dc.description.references ESA (European Space Agency) 2015. Sentinel -2 User Handbook. ESA Standard Document. es_ES
dc.description.references European Commission. 2015. Copernicus. Europe's eyes on Earth. Brussels: Publications Office of the European Union. es_ES
dc.description.references EUROPOL (European Union Agency for Law Enforcement Cooperation). 2011. EU Organised Crime Threat Assessment. OCTA 2011. EUROPOL Public Information. es_ES
dc.description.references Exército Brasileiro. 2018. Operação Curare IX - Interdição de pista de pouso clandestina. Último acceso: 16 de Febrero, 2021, de http://www.eb.mil.br/web/noticias/noticiario-do-exercito/-/asset_publisher/ MjaG93KcunQI/content/no-contexto-da-operacao-curare-ix-1-brigada-infantaria-de-selva-realiza-interdicao-de-pista-de-pouso-clandestina-/8357041. es_ES
dc.description.references GEE (Google Earth Engine). Sentinel-2. Último acceso 05/11/2021, de https://developers.google.com/earth- engine/datasets/catalog/sentinel-2. es_ES
dc.description.references Global Initiative Against Transnational Organized Crime. 2016. Organized Crime and Illegally Mined Gold in Latin America. https://globalinitiative.net/analysis/organized-crime-and-illegally-mined-gold-in-latin-america es_ES
dc.description.references Global Initiative Against Transnational Organized Crime. 2021. Environmental crime: The not-so-hidden obstacle to combat climate change. Último acceso: 01 de Noviembre, 2021, de https://globalinitiative.net/analysis/environmental-crime-climate-change/. es_ES
dc.description.references Gore, M.L., Braszak, P., Brown, J., Cassey, P., Duffy, R., Fisher, J.,... & White, R. 2019. Transnational environmental crime threatens sustainable development. Nature Sustainability, 2(9), 784-786. https://doi.org/10.1038/s41893-019-0363-6 es_ES
dc.description.references Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031 es_ES
dc.description.references Helber, P., Bischke, B., Dengel, A., & Borth, D. 2019. Eurosat: A novel dataset and deep learning benchmark for land use and land cover classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(7), 2217-2226. https://doi.org/10.1109/JSTARS.2019.2918242 es_ES
dc.description.references Hoeser, T., & Kuenzer, C. 2020. Object detection and image segmentation with deep learning on earth observation data: A review-part i: Evolution and recent trends. Remote Sensing, 12(10), 1667. https://doi.org/10.3390/rs12101667 es_ES
dc.description.references Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K.Q. 2017. Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, 4700-4708. https://doi.org/10.1109/CVPR.2017.243 es_ES
dc.description.references ICMBio. 2016. Plano de Manejo Floresta Nacional do Amana. Último acceso: 10 de Marzo, 2021, de https:// www.icmbio.gov.br/portal/unidadesdeconservacao/biomas-brasileiros/amazonia/unidades-de-conservacao-amazonia/1955-flona-do-amana. es_ES
dc.description.references INPE (Instituto Nacional de Pesquisas Espaciais). 2020. TerraBrasilis. Último acceso: 11 de Enero, 2021, de http://terrabrasilis.dpi.inpe.br/en/home-page/. es_ES
dc.description.references Insight Crime. 2020. Narcovuelos y pistas clandestinas en al menos seis estados de Venezuela. Último acceso: es_ES
dc.description.references de Enero, 2021, de https://es.insightcrime.org/noticias/noticias-del-dia/narcovuelos-seis-estados-venezuela/. es_ES
dc.description.references INTERPOL (International Criminal Police Organization). 2018. World atlas of illicit flows. Último acceso: 01 de Noviembre, 2021, de https://globalinitiative.net/wp-content/uploads/2018/09/Atlas-Illicit-Flows-FINAL-WEB-VERSION-copia-compressed.pdf. es_ES
dc.description.references Janowicz, K., Gao, S., McKenzie, G., Hu, Y., & Bhaduri, B. 2020. GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond. International Journal of Geographical Information Science, 34(4), 625-636.https://doi.org/10.1080/13658816.2019.1684500 es_ES
dc.description.references Khan, M.A., Hussain, N., Majid, A., Alhaisoni, M., Syed Ahmad Chan, B., Kadry, S., Yu-Dong, Z. 2021. Classification of positive COVID-19 CT scans using deep learning. Computers, Materials, & Continua, 66(3), 2923-2938. https://doi.org/10.32604/cmc.2021.013191 es_ES
dc.description.references Koh, J. C., Spangenberg, G., & Kant, S. 2021. Automated Machine Learning for High-Throughput Image- Based Plant Phenotyping. Remote Sensing, 13(5), 858. https://doi.org/10.3390/rs13050858 es_ES
dc.description.references Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. 2017. Deep learning classification of land cover and crop types using remote sensing data. IEEE Geoscience and Remote Sensing Letters, 14(5), 778- 782. https://doi.org/10.1109/LGRS.2017.2681128 es_ES
dc.description.references LeCun, Y., Bengio, Y., & Hinton, G. 2015. Deep learning. nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539 es_ES
dc.description.references Letitia, A. 2013. Activity based intelligence: Understanding the unknown. The intelligencer: Journal of US intelligence studies, 20(2), 7-16. es_ES
dc.description.references López-Jiménez, E., Vasquez-Gomez, J. I., Sanchez- Acevedo, M. A., Herrera-Lozada, J. C., & Uriarte- Arcia, A. V. 2019. Columnar cactus recognition in aerial images using a deep learning approach. Ecological Informatics, 52, 131-138. https://doi.org/10.1016/j.ecoinf.2019.05.005 es_ES
dc.description.references Lowenthal, M.2020. Intelligence. From secrets to policy. CQ. Press. es_ES
dc.description.references Lycia, B., Abdenur, A., Pellegrino, A., Porto, C., & Brasil, L. 2019. Los delitos Ambientales en la Cuenca del Amazonas: el rol del crimen organizado en la minería. El Pacto. Europa Latinoamerica. Programa de Asistencia contra el Crimen Transnacional Organziado. Último acceso: 11 de Mayo, 2020, de https://www.elpaccto.eu/wp-content/uploads/2019/05/Los-Delitos-Ambientales-en-la-Cuenca-del-Amazonas-comprimido.pdf. es_ES
dc.description.references Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., & Johnson, B. A. 2019. Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing, 152, 166-177. https://doi.org/10.1016/j.isprsjprs.2019.04.015 es_ES
dc.description.references MinAmbiente. Parques Nacionales Naturales de Colombia. 1978. Plan de Manejo del Parque Nacional Natural La Paya. Último acceso: 10 de Marzo, 2021, de https://www.parquesnacionales.gov.co/portal/wp-content/uploads/2020/10/plan-de-manejo-pnn-la-paya.pdf. es_ES
dc.description.references Ministerio de Defensa. 2020. Medio Ambiente. Defensa. Último acceso: 10 de Marzo, 2021, de es_ES
dc.description.references https://www.mindefensa.gov.co/irj/go/km/docs/Mindefensa/Documentos/descargas/Documentos_Descargables/espanol/Medio%20Ambiente.pdf. es_ES
dc.description.references Nogueira, K., Dos Santos, J.A., Fornazari, T., Silva, T.S.F., Morellato, L.P., & Torres, R.D.S. 2016. Towards vegetation species discrimination by using data-driven descriptors. In 2016 9th IAPR Workshop on Pattern Recogniton in Remote Sensing (PRRS) (pp. 1-6). IEEE. https://doi.org/10.1109/PRRS.2016.7867024 es_ES
dc.description.references OEA (Organización de los Estados Americanos). 2007. Yapacana National Park. BioParques: Parkswatch Program. Último acceso: 10 de Marzo, 2021, de https://www.oas.org/dsd/AAPAD2/Docs/(iii)%20 Yapacana%20NP%20Special%20Report%20(Venezuela).pdf. es_ES
dc.description.references Oliveira, D. 2018. Atividade garimpeira na região do Tapajós (PA): o caso na Flona do Amana. Monografia, Instituto CEUB de Pesquisa e Desenvolvimento, Centro Universitário de Brasília). https://repositorio.uniceub.br/jspui/handle/235/11514. es_ES
dc.description.references openAIP. 2021. Worldwide aviation database. Último acceso: 5 de Enero, 2021, de http://www.openaip.net/. es_ES
dc.description.references Penatti, O.A., Nogueira, K., & Dos Santos, J.A. 2015. Do deep features generalize from everyday objects to remote sensing and aerial scenes domains? In Proceedings of the IEEE conference on computer vision and pattern recognition workshops, 44-51. https://doi.org/10.1109/CVPRW.2015.7301382 es_ES
dc.description.references Pennsylvania State University. 2020. GEOINT MOOC. Último acceso 05/11/2021, de https://www.e-ducation.psu.edu/geointmooc/node/1989. es_ES
dc.description.references Planet Labs. 2017. Planet: Understanding the Amazon from Space. Último acceso: 08 de Enero, 2021, de https://www.kaggle.com/c/planet-understanding-the-amazon-from-space. es_ES
dc.description.references QGIS Development Team. QGIS. A Free and Open Source Geographic Information System. Último acceso: 08 de Enero, 2021, de https://qgis.org/en/site/. es_ES
dc.description.references RAISG (Red Amazónica de Información Socioambiental Georreferenciada). 2012. Amazonía Bajo Presión. Último acceso: 14 de Enero, 2021, de www.raisg.socioambiental.org. es_ES
dc.description.references RAISG (Red Amazónica de Información Socioambiental Georreferenciada). 2018a. Amazonía saqueada: el primer mapa de minería ilegal en el pulmón del mundo. 2018. Último acceso: 14 de Enero, 2021, de https://www.amazoniasocioambiental.org/es/radar/mapa-inedito-indica-epidemia-de-garimpo-ilegal-na-panamazonia/. es_ES
dc.description.references RAISG (Red Amazónica de Información Socioambiental Georreferenciada). 2018b. Presiones y Amenazas. Último acceso: 14 de Enero, 2021, de https://www.amazoniasocioambiental.org/es/mapas/#!/presiones. es_ES
dc.description.references RAISG (Red Amazónica de Información Socioambiental Georreferenciada). 2019. ¡Imperdonable! Parque nacional en Amazonas es devastado por la minería ilegal que dirige el ELN. Último acceso: 14 de Enero, 2021, de https://www.amazoniasocioambiental.org/es/radar/imperdonable-parque-nacional-en-amazonas-es-devastado-por-la-mineria-ilegal-que-dirige-el-eln/. es_ES
dc.description.references RAISG (Red Amazónica de Información Socioambiental Georreferenciada). 2020a. Atlas Amazonía Bajo Presión 2020. Último acceso: 01 de Noviembre, 2021, de https://www.amazoniasocioambiental.org/es/publicacion/amazonia-bajo-presion-2020/. es_ES
dc.description.references RAISG (Red Amazónica de Información Socioambiental Georreferenciada). 2020b. Cartographic Data. Último acceso: 14 de Enero, 2021, de https://www.amazoniasocioambiental.org/en/maps/#download. es_ES
dc.description.references Republica Federativa do Brasil. 2005. LEI Nº 11.182, DE 27 DE SETEMBRO DE 2005. (Cria a Agência Nacional de Aviação Civil - ANAC) Último acceso: 20 de Febrero, 2021, de http://www.planalto.gov.br/ccivil_03/_ato2004-2006/2005/Lei/L11182.htm. es_ES
dc.description.references Schmitt, M., & Wu, Y. L. 2021. Remote Sensing Image Classification with the SEN12MS Dataset. arXiv preprint arXiv:2104.00704. es_ES
dc.description.references Schmitt, M., Hughes, L., & Zhu, X. 2018. The SEN1-2 Dataset for Deep Learning in SAR-Optical Data Fusion. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, IV-1, 141-146. https://doi.org/10.5194/isprs-annals-IV-1-141-2018 es_ES
dc.description.references Schmitt, M., Hughes, L., Qiu, C., & Zhu, X. 2019. SEN12MS - A Curated Dataset of Georeferenced Multi-Spectral Sentinel-1/2 Imagery for Deep Learning and Data Fusion. SPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, IV-2/W7, 153-160. https://doi.org/10.5194/isprs-annals-IV-2-W7-153-2019 es_ES
dc.description.references Souza, C., Shimbo, J., Rosa, M., Parente, L., Alencar, A., Rudorff, B., Azevedo, T. 2020. Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth Engine. Remote Sensing, 12(17), 2735. https://doi.org/10.3390/rs12172735 es_ES
dc.description.references Sumbul, G., Charfuelan, M., Demir, B., & Markl,V. 2019. Bigearthnet: A Large-Scale Benchmark Archive for Remote Sensing Image Understanding. IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, 5901-5904. https://doi.org/10.1109/IGARSS.2019.8900532 es_ES
dc.description.references Tobler, W. R. 1970. A computer movie simulating urban growth in the Detroit region. Economic geography, 46(sup1), 234-240. https://doi.org/10.2307/143141 es_ES
dc.description.references UNEP (United Nations Environment Programme). 2012. Transnational Environmental Crime - a common crime in need of better enforcement. Último acceso: 22 de Febrero, 2021, de https://wedocs.unep.org/rest/bitstreams/14319/retrieve. es_ES
dc.description.references UN-GGIM (United Nations Committee of Experts on Global Geospatial Information Management). 2020. Future Trends in geospatial information management: the five to ten year vision - Third Edition. Último acceso: 10 de Noviembre, 2021, de https://ggim.un.org/meetings/GGIM-committee/10th-Session/documents/Future_Trends_Report_THIRD_EDITION_digital_accessible.pdf. es_ES
dc.description.references UNHRC (United Nations Human Rights Council). 2020. Detailed findings of the independent international factfinding mission on the Bolivarian Republic of Venezuela. Agenda item 4. Human rights situations that require the Council's attention. Último acceso: 20 de Septiembre, 2020, de https://www.ohchr.org/Documents/HRBodies/HRCouncil/FFMV/A_ HRC_45_CRP.11.pdf. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2012. Digest of Organized Crime Cases. A compilation of cases with commentaries and lessons learned. Último acceso: 4 de Febrero, 2021, de https://www.unodc.org/documents/organized-crime/EnglishDigest_Final301012_30102012.pdf. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2017a. Estado Plurinacional de Bolivia. Monitoreo de Cultivos de Coca 2016. La Paz. Último acceso: 20 de Agosto, 2020, de https://www.unodc.org/documents/crop-monitoring/Bolivia/2016_Bolivia_ Informe_Monitoreo_Coca.pdf. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2017b. Colombia. Monitoreo de territorios afectados por cultivos ilícitos 2016. Bogota. Último acceso: 20 de Agosto, 2020, de https://www.unodc.org/ documents/colombia/2017/julio/CENSO_2017_WEB_baja.pdf. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2017c. Peru. Monitoreo de Cultvivos de Coca 2016. Lima. Último acceso: 20 de Agosto, 2020, de https://www.unodc.org/documents/crop-monitoring/Peru/ Peru_Monitoreo_de_coca_2016_web.pdf. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2018. Peru. Monitoreo de Cultvivos de Coca 2017. Lima. Último acceso: 20 de Agosto, 2020, de https://www.unodc.org/documents/peruandecuador//Informes/monitoreo_coca/181213_InformeMonitoreo_2017Web.pdf. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2019a. Estado Plurinacional de Bolivia. Monitoreo de Cultivos de Coca 2018. La Paz. Último acceso: 20 de Agosto, 2020, de https://www.unodc.org/documents/crop-monitoring/Bolivia/Bolivia_ Informe_Monitoreo_Coca_2018_web.pdf. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2019b. Colombia. Monitoreo de territorios afectados por cultivos ilícitos 2018. Bogota. Último acceso: 20 de Agosto, 2020, de https://www.unodc.org/colombia/ es/informe-de-monitoreo-de-territorios-afectados-por-cultivos-ilicitos-en-Colombia-2018.html. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2019c. World Drug Report 2019. Último acceso: 19 de Mayo, 2020, de https://wdr.unodc.org/wdr2019/. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2021a. World Drug Report 2021. Último acceso: 01 de Noviembre, 2021, de https://wdr.unodc.org/. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2021b. UNODC and illicit crop monitoring. Último acceso: 10 de Febrero, 2021, de https://www.unodc.org/unodc/en/crop-monitoring/index.html. es_ES
dc.description.references UNODC (United Nations Office on Drugs and Crime). 2021c. Colombia. Monitoreo de territorios afectados por cultivos ilícitos 2020. Bogota. Último acceso: 11 de Noviembre, 2021, de https://www.unodc.org/documents/crop-monitoring/Colombia/Colombia_Monitoreo_de_territorios_afectados_por_cultivos_ilicitos_2020.pdf. es_ES
dc.description.references USGIF (United States Geospatial Intelligence Foundation). 2020. Geospatial Intelligence & AI/ ML Progress During a Pandemic. Último acceso 05/11/2021, de https://s3-us-east-2.amazonaws.com/trjmag/wp-media-folder-trajectory-magazine/wp-content/uploads/2020/11/Geospatial_Intelligence_and_AI-ML_Progress_During_a_Pandemic.pdf. es_ES
dc.description.references Vargas, R. 2020. Automating Land Cover Change Detection: A Deep Learning Based Approach to Map Deforested Areas. Tesis de Doctorado, (Instituto Nacional de Pesquisas Espaciais, São José dos Campos). http://mtc-m21c.sid.inpe.br/col/sid.inpe.br/mtc-m21c/2020/06.09.11.59/doc/publicacao.pdf. es_ES
dc.description.references VoPham, T., Hart, J., Laden, F., & Chiang, Y.-Y. 2018. Emerging trends in geospatial artificial intelligence (geoAI): potential applications for environmental epidemiology. Environ Health, 17(1), 1-6. https://doi.org/10.1186/s12940-018-0386-x es_ES
dc.description.references Warmerdam, F. 2008. The Geospatial Data Abstraction Library. Open Source Approaches in Spatial Data Handling. Advances in Geographic Information Science (págs. 87-104). Berlin: Springer. https://doi.org/10.1007/978-3-540-74831-1_5 es_ES
dc.description.references White, R. 2011. Transnational Environmental Crime: Toward an eco-global criminology (1st ed.). Tylor & Francis. es_ES
dc.description.references Xia, G. S., Bai, X., Ding, J., Zhu, Z., Belongie, S., Luo, J.,... & Zhang, L. 2018. DOTA: A Large- Scale Dataset for Object Detection in Aerial Images. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 3974-3983. https://doi.org/10.1109/CVPR.2018.00418 es_ES
dc.description.references Yang, Y., & Newsam, S. 2010. Bag-of-visual- words and spatial extensions for land-use classification. Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems, 270-279. https://doi.org/10.1145/1869790.1869829 es_ES
dc.description.references Zabyelina, Y., & van Uhm, D. 2020. Illegal Mining: Organized Crime, Corruption and Ecocide in a Resource-Scarce World. https://doi.org/10.1007/978-3-030-46327-4 es_ES
dc.description.references Zhang, L., Zhang, L., & Du, B. 2016. Deep Learning for Remote Sensing Data: A Technical Tutorial on the State of the Art. IEEE Geoscience and Remote Sensing Magazine, 4, 22-40. https://doi.org/10.1109/MGRS.2016.2540798 es_ES
dc.description.references Zhao, J., Zhang, Z., Yao, Y., Datcu, M., Xiong, H., & Yu, W. 2020. OpenSARUrban: A Sentinel-1 SAR Image Dataset for Urban Interpretation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 187-203. https://doi.org/10.1109/JSTARS.2019.2954850 es_ES
dc.description.references Zhu, X., Hu, J., Qiu, C., Shi, Y., Kang, J., Mou, L., Wang, Y. 2020. So2Sat LCZ42: A Benchmark Dataset for Global Local Climate Zones Classification. IEEE Geoscience and Remote Sensing Magazine. 1912.12171. https://doi.org/10.1109/MGRS.2020.2964708 es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem