- -

Evaluación del impacto de la superresolución sobre imágenes multiespectrales GEOSAT-2

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

Evaluación del impacto de la superresolución sobre imágenes multiespectrales GEOSAT-2

Mostrar el registro sencillo del ítem

Ficheros en el ítem

dc.contributor.author Fernández, César es_ES
dc.contributor.author de Castro, Carolina es_ES
dc.contributor.author García, Lucía es_ES
dc.contributor.author Calleja, María Elena es_ES
dc.contributor.author Niño, Rubén es_ES
dc.contributor.author Fraile, Silvia es_ES
dc.contributor.author Sousa, Rafael es_ES
dc.date.accessioned 2023-02-07T10:24:06Z
dc.date.available 2023-02-07T10:24:06Z
dc.date.issued 2023-01-30
dc.identifier.issn 1133-0953
dc.identifier.uri http://hdl.handle.net/10251/191689
dc.description.abstract [EN] The growing need to observe the Earth in greater detail means the appearance of new techniques to improve the geometric value of images, preserving their radiometric characteristics. Security and Defence sectors are strategic users of these advances, but not the only ones. By being able to preserve the radiometric characteristics of the data, precision agriculture is a key beneficiary of these improvements. In this way, more detailed data and information can be provided on the specific needs of each crop, which means a direct implication for the farmer, the agricultural companies, and the environment. In this work, the Random Forest and XGBoost methods were applied in order to improve the resolution of the GEOSAT-2 images while preserving their radiometric values. In addition, the quality of the enhanced images was evaluated. Also, the satisfactory evaluation of the improved images is presented, both in terms of resolution and the final quality obtained. This evaluation has been conducted by the Copernicus Coordinated data Quality Control (CQC) team, allowing the addition of a new product to the GEOSAT portfolio, ready to be integrated into the Copernicus Programme data offer. es_ES
dc.description.abstract [ES] La creciente necesidad de observar la Tierra con mayor detalle supone la aparición de nuevas técnicas para la mejora del valor geométrico de las imágenes, conservando sus características radiométricas. El sector de seguridad y defensa es uno de los sectores estratégicos que requiere de estos avances, pero no los únicos, ya que, al ser capaces de conservar las características radiométricas del dato, la agricultura de precisión constituye un beneficiario clave de dichas mejoras. De esta manera se pueden proporcionar datos e información más detallada de las necesidades específicas de cada cultivo, lo que supone una mejora directa para el agricultor, las empresas agrícolas y el medio ambiente. En este trabajo se aplicaron los métodos Random Forest y XGBoost con el fin de mejorar la resolución de las imágenes GEOSAT-2 conservando sus valores radiométricos. Además, se evaluó la calidad de las imágenes mejoradas. Dicha valoración ha sido llevada a cabo por el equipo de control y evaluación de datos de Copernicus (CQC), permitiendo añadir un nuevo producto a la cartera de productos de GEOSAT, listo para ser integrado dentro de la oferta de datos del programa Copernicus. 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 Super-resolution es_ES
dc.subject GEOSAT-2 es_ES
dc.subject Precision agriculture es_ES
dc.subject Artificial intelligence es_ES
dc.subject Superresolución es_ES
dc.subject Agricultura de precisión es_ES
dc.subject Inteligencia artificial es_ES
dc.title Evaluación del impacto de la superresolución sobre imágenes multiespectrales GEOSAT-2 es_ES
dc.title.alternative Evaluation of the impact of super-resolution on GEOSAT-2 multispectral images es_ES
dc.type Artículo es_ES
dc.identifier.doi 10.4995/raet.2023.18470
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Fernández, C.; De Castro, C.; García, L.; Calleja, ME.; Niño, R.; Fraile, S.; Sousa, R. (2023). Evaluación del impacto de la superresolución sobre imágenes multiespectrales GEOSAT-2. Revista de Teledetección. (61):83-96. https://doi.org/10.4995/raet.2023.18470 es_ES
dc.description.accrualMethod OJS es_ES
dc.relation.publisherversion https://doi.org/10.4995/raet.2023.18470 es_ES
dc.description.upvformatpinicio 83 es_ES
dc.description.upvformatpfin 96 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.issue 61 es_ES
dc.identifier.eissn 1988-8740
dc.relation.pasarela OJS\18470 es_ES
dc.description.references Gironés, J., Casas, J., Minguillón, J., Caihuelas, R. 2017. Minería de datos - modelos y algoritmos. Barcelona: UOC. es_ES
dc.description.references Harrell, F. 2001. Regression Modeling Strategies. Springer Series in Statistics. New York: Springer. https://doi.org/10.1007/978-1-4757-3462-1 es_ES
dc.description.references Huang, J., Siu, W. 2015. Practical application of random forests for super-resolution imaging. En: IEEE International Symposium on Circuits and Systems. Lisboa, Portugal, 24-27 Mayo. pp 2161-2164. https://doi.org/10.1109/ISCAS.2015.7169108 es_ES
dc.description.references Lim, B., Son, S., Kim, H., Nah, S., Lee, K.M. 2017. Enhanced Deep Residual Networks for Single Image Super-Resolution. En: IEEE Conference on Computer Vision and Pattern Recognition Workshops. Honolulu, HI, EE.UU., 21-26 Julio. pp 1132-1140. https://doi.org/10.1109/CVPRW.2017.151 es_ES
dc.description.references PRISM CQC Team. 2022. Copernicus Coordinated data Quality Control - GEOSAT-2 Test Data Set Analysis: Bundle Super Resolution. Copernicus Contributing Missions access support functions and platform. 8 Abril. es_ES
dc.description.references Raschka, S. 2016. Python Machine Learning. Birmingham: Packt Publishing. es_ES
dc.description.references Schulter, S., Leistner, C., Bischof, H. 2015. Fast and accurate image upscaling with super-resolution forests. En: IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA, EE.UU., 7-12 Junio. pp 3791-3799. https://doi.org/10.1109/CVPR.2015.7299003 es_ES
dc.description.references Zhang, Y., Li, K., Li, K., Wang, L., Zhong, B., Fu, Y.R., 2018a. Image Super-Resolution Using Very Deep Residual Channel Attention Networks. En: European Conference on Computer Vision. Munich, Alemania, 8-14 Septiembre. pp 294-310. https://doi.org/10.1007/978-3-030-01234-2_18 es_ES
dc.description.references Zhang, Y., Tian, Y., Kong, Y., Zhong, B., Fu, Y.R., 2018b. Residual Dense Network for Image Super-Resolution. En: IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT, EE.UU., 18-23 Junio. pp 2472-2481. https://doi.org/10.1109/CVPR.2018.00262 es_ES


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

Mostrar el registro sencillo del ítem