Clasificación automática de coberturas del suelo con imágenes para el control del uso de área terrestre en agricultura
Authors
Loading...
Date
2024
Directors
Journal Title
Journal ISSN
Volume Title
Publisher
Quevedo:UTEQ
Abstract
La agricultura desempeña un papel fundamental en la seguridad alimentaria global, pero su gestión sostenible se enfrenta a desafíos cada vez mayores debido al crecimiento demográfico y al cambio climático. La clasificación automática de coberturas del suelo a partir de imágenes satelitales y aéreas se ha convertido en una herramienta esencial para el control del uso de la tierra en la agricultura. Este proyecto de investigación se centra en entrenar un modelo de clasificación de coberturas del suelo a partir de imágenes. Estas imágenes muestran diferentes tipos de coberturas, como plantaciones de cacao, caco y otras. El modelo se entrenó utilizando Redes Neuronales Convolucionales (CNN). Finalmente, se diseñó una interfaz web donde se pueden cargar imágenes para que el modelo las clasifique automáticamente.
El conjunto original consistió de imágenes TIFF capturadas por drones, las cuales fueron procesadas para crear un conjunto de imágenes de entrenamiento en formato PNG, cada una representando un área de 2500 metros cuadrados. En total, se utilizaron 5,809 imágenes de entrenamiento distribuidas en las siguientes clases: 1,254 imágenes de banano, 1,535 imágenes de cacao, 1,321 imágenes de pastizal, 589 imágenes de vegetación secundaria y 1,110 imágenes de vías de acceso. Estas imágenes fueron utilizadas para entrenar un modelo de clasificación utilizando una CNN. El conjunto de datos fue dividido en un 80% para entrenamiento y un 20% para validación utilizando la técnica de división aleatoria. El modelo entrenado fue capaz de identificar la cobertura de suelo en una imagen con una precisión del 96.56%.
Description
Agriculture plays a key role in global food security, but its sustainable management is facing increasing challenges due to population growth and climate change. Automatic land cover classification from satellite and aerial imagery has become an essential tool for land use monitoring in agriculture. This research focuses on training a land cover classification model from imagery. These images show different types of land cover, such as cocoa plantations, cocoa and others. The model was trained using Convolutional Neural Networks (CNN). Finally, a web interface was designed where images can be uploaded and automatically classified by the model.
The original set consisted of TIFF images captured by drones, which were processed to create a set of training images in PNG format, each representing an area of 2500 square meters. In total, 5,809 training images were used, distributed in the following classes: 1,254 banana tree images, 1,535 cacao images, 1,321 grassland images, 589 secondary vegetation images, and 1,110 access road images. These images were used to train a classification model using a CNN. The dataset was split 80% for training and 20% for validation using the random split technique. The trained model was able to identify the land cover in an image with an accuracy of 96.56%.
Keywords
Redes neuronales convolucionales (CNN), Sostenibilidad Agrícola, Coberturas del suelo agrícola, Clasificación de imágenes
Citation
Muñoz Pisco,Jeanny Xavier(2024).Clasificación automática de coberturas del suelo con imágenes para el control del uso de área terrestre en agricultura.Quevedo.UTEQ. 75 p.