Mostrar el registro sencillo del 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 |