Mostrar el registro sencillo del ítem
dc.contributor.advisor | Colomer Granero, Adrián![]() |
es_ES |
dc.contributor.advisor | Crespo Peremarch, Pablo![]() |
es_ES |
dc.contributor.author | Diéguez López, Alejandro![]() |
es_ES |
dc.date.accessioned | 2023-09-06T14:56:27Z | |
dc.date.available | 2023-09-06T14:56:27Z | |
dc.date.created | 2023-07-19 | |
dc.date.issued | 2023-09-06 | es_ES |
dc.identifier.uri | http://hdl.handle.net/10251/195989 | |
dc.description.abstract | [ES] En los últimos tiempos, debido a la afección del cambio climático y a otros procesos antrópicos, muchas zonas costeras del planeta están sufriendo cambios continuos que provocan variaciones constantes en las líneas de costa. Para poder actuar ante estas variaciones costeras es necesario monitorizar las zonas que sufren estos sucesos para poder tomar las decisiones correctas. Una forma de realizar dicha monitorización es la implementación de diversas técnicas de teledetección. Estas técnicas permiten la extracción de información de la superficie terrestre y de cuerpos de agua sin estar en contacto con ellos; por ejemplo, mediante imágenes satelitales o aéreas. No obstante, existen una serie de desventajas como la resolución espacial de las imágenes satelitales disponibles que, en algunos casos, limita la precisión con la que se pueden obtener los resultados. Por esta razón, la premisa de este proyecto es generar dichas imágenes satelitales con una resolución espacial mayor, permitiendo así realizar un análisis de la línea de costa con una mayor precisión comparado al que se hubiese podido efectuar con las imágenes originales. Para llevar a cabo esta tarea, se emplearán diferentes metodologías fundamentadas en aprendizaje profundo para aumentar la resolución espacial. En este sentido, las metodologías de deep learning, son capaces de sintetizar imágenes digitales de alta resolución a partir de imágenes con un menor número de píxeles. Concretamente, en este TFG se explorarán técnicas basadas en arquitecturas de redes neuronales profundas que utilizan conexiones residuales para mejorar la calidad de las imágenes de baja resolución. El objetivo principal es desarrollar un modelo capaz de aumentar la resolución de imágenes satelitales de baja a media resolución, manteniendo la homogeneidad estructural de la imagen. La consecución del presente trabajo pretende establecer una línea de investigación basada en imagen satelital de alta resolución, en la que se abordarán tareas de análisis posteriores como la detección de estructuras características o la segmentación de objetos de interés. | es_ES |
dc.description.abstract | [EN] In recent times, due to the effects of climate change and other anthropogenic processes, many coastal areas of the planet are undergoing continuous changes that cause constant variations in coastlines. In order to be able to act in the face of these coastal variations, it is necessary to monitor the areas that suffer these events to be able to make the right decisions. One way to carry out such monitoring is the implementation of various remote sensing techniques. These techniques allow the extraction of information from the land surface and water bodies without being in contact with them, e.g., through satellite or aerial imagery. However, there are a number of disadvantages, such as the spatial resolution of the available satellite images, which in some cases limits the accuracy with which results can be obtained. For this reason, the premise of this project is to generate such satellite images with a higher spatial resolution, allowing a more accurate analysis of the coastline than would have been possible with the original images. To carry out this task, different methodologies based on deep learning will be used to increase the spatial resolution. In this sense, deep learning methodologies are capable of synthesising high-resolution digital images with images of a smaller number of pixels. Specifically, this TFG will explore techniques based on deep neural network architectures that use residual connections to improve the quality of low-resolution images. The main objective is to develop a model capable of increasing the resolution of low to medium resolution satellite images while maintaining the structural homogeneity of the image. The aim of this work is to establish a line of research based on high-resolution satellite images, in which subsequent analysis tasks such as the detection of characteristic structures or the segmentation of objects of interest will be tackled. | es_ES |
dc.description.abstract | [CA] En els ´ultims temps, a causa de l’afecci´o del canvi clim`atic i a altres processos antr`opics, moltes zones costaneres del planeta estan patint canvis continus que provoquen variacions constants en les l´ınies de costa. Per a poder actuar davant aquestes variacions costaneres ´es necessari monitorar les zones que pateixen aquests successos per a poder prendre les decisions correctes. Una manera de realitzar aquest monitoratge ´es la implementaci´o de diverses t`ecniques de teledetecci´o. Aquestes t`ecniques permeten l’extracci´o d’informaci´o de la superf´ıcie terrestre i de cossos d’aigua sense estar en contacte amb ells; per exemple, mitjan¸cant imatges satel·lit`aries o a`eries. No obstant aix`o, existeixen una s`erie de desavantatges com la resoluci´o espacial de les imatges satel·lit`aries disponibles que, en alguns casos, limita la precisi´o amb la qual es poden obtindre els resultats. Per aquesta ra´o, la premissa d’aquest projecte ´es generar aquestes imatges satel·lit`aries amb una resoluci´o espacial major, permetent aix´ı realitzar una an`alisi de la l´ınia de costa amb una major precisi´o comparat al que s’haguera pogut efectuar amb les imatges originals. Per a dur a terme aquesta tasca, s’empraran diferents metodologies fonamentades en aprenentatge profund per a augmentar la resoluci´o espacial. En aquest sentit, les metodologies de deep learning, s´on capaces de sintetitzar imatges digitals d’alta resoluci´o a partir d’imatges amb un menor nombre de p´ıxels. Concretament, en aquest TFG s’exploraran t`ecniques basades en arquitectures de xarxes neuronals profundes que utilitzen connexions residuals per a millorar la qualitat de les imatges de baixa resoluci´o. L’objectiu principal ´es desenvolupar un model capa¸c d’augmentar la resoluci´o d’imatges satel·lit`aries de baixa a mitja resoluci´o, mantenint l’homogene¨ıtat estructural de la imatge. La consecuci´o del present treball pret´en establir una l´ınia d’investigaci´o basada en imatge satel·lit`aria d’alta resoluci´o, en la qual s’abordaran tasques d’an`alisis posteriors com la detecci´o d’estructures caracter´ıstiques o la segmentaci´o d’objectes d’inter´es. | es_ES |
dc.format.extent | 77 | es_ES |
dc.language | Español | es_ES |
dc.publisher | Universitat Politècnica de València | es_ES |
dc.rights | Reserva de todos los derechos | es_ES |
dc.subject | Línea de costa | es_ES |
dc.subject | Costas | es_ES |
dc.subject | Redes neuronales | es_ES |
dc.subject | Superresolución | es_ES |
dc.subject | Aprendizaje profundo | es_ES |
dc.subject | Imágenes satelitales | es_ES |
dc.subject | Teledetección | es_ES |
dc.subject | Sentinel-2 | es_ES |
dc.subject | Landsat | es_ES |
dc.subject | Super resolution | es_ES |
dc.subject | Deep learning | es_ES |
dc.subject | Satellite imagery | es_ES |
dc.subject | Remote sensing | es_ES |
dc.subject.other | Grado en Ingeniería Geomática y Topografía-Grau en Enginyeria Geomàtica i Topografia | es_ES |
dc.title | Redes neuronales adversariales para la generación sintética de imágenes satelitales de superresolución en entornos costeros | es_ES |
dc.title.alternative | Generative neural networks for super resolution satellite imaging synthesis in coast environments | es_ES |
dc.title.alternative | Xarxes neuronals adversarials per a la generació sintètica d'imatges satel·litàries de superresolució en entorns costaners | es_ES |
dc.type | Proyecto/Trabajo fin de carrera/grado | es_ES |
dc.rights.accessRights | Abierto | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Departamento de Comunicaciones - Departament de Comunicacions | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Escuela Técnica Superior de Ingeniería Geodésica, Cartográfica y Topográfica - Escola Tècnica Superior d'Enginyeria Geodèsica, Cartogràfica i Topogràfica | es_ES |
dc.description.bibliographicCitation | Diéguez López, A. (2023). Redes neuronales adversariales para la generación sintética de imágenes satelitales de superresolución en entornos costeros. Universitat Politècnica de València. http://hdl.handle.net/10251/195989 | es_ES |
dc.description.accrualMethod | TFGM | es_ES |
dc.relation.pasarela | TFGM\158123 | es_ES |