������������������������������������������������������������������������������������������������������������������������������������������������������������

���������������������������������������������������������������������������������

 

Uso de Redes Neuronales Artificiales y Computaci�n en la Nube para clasificar la cobertura del suelo en territorio ecuatoriano

 

Use of Artificial Neural Networks and Cloud Computing to classify land cover in Ecuadorian territory

 

Uso de redes neurais artificiais e computa��o em nuvem para classificar a cobertura do solo no territ�rio equatoriano

 

 

�Marco Javier Castelo-Cabay ^I

mcc563@inlumine.ual.es

https://orcid.org/0000-0003-2400-3049

 

Gustavo Iv�n Bu�ay-Gualoto ^II

mcarrillop2@uteq.edu.ec

https://orcid.org/0000-0001-8000-8333

 

Byron Geovanny Pillajo-Landa ^III

bpl853@inlumine.ual.es

https://orcid.org/0000-0003-0121-4580

 

Correspondencia: mcc563@inlumine.ual.es

Ciencias t�cnicas y aplicadas.

Art�culo de investigaci�n

 

*Recibido: 16 de marzo de 2021 *Aceptado: 19 de abril de 2021 * Publicado: 03 de mayo de 2021

                               I.            M�ster en Tecnolog�as de la Informaci�n y de la Comunicaci�n Aplicadas� a� la Educaci�n,�� M�ster�� en�� Tecnolog�as�� y�� Aplicaciones�� en�� Ingenier�a�� Inform�tica, Ingeniero�� en�� Sistemas�� Inform�ticos, Estudiante�� de�� Doctorado�� en Universidad de Almer�a, Espa�a.

                            II.            Ingeniero� �en�� Sistemas�� Inform�ticos, Docente del Instituto Tecnol�gico Luis A. Mart�nez, Ambato, Ecuador.

                         III.            M�ster�� en�� Tecnolog�as�� y�� Aplicaciones�� en�� Ingenier�a�� Inform�tica, Ingeniero�� en�� Sistemas�� Inform�ticos, Universidad de Almer�a, Espa�a. �

Resumen

Los gobiernos locales, seccionales y nacionales utilizan mapas de cobertura del suelo en la toma de decisiones pol�ticas, ambientales, seguridad alimentaria, entre otras; la siguiente investigaci�n present� una nueva alternativa para realizar estos mapas mediante herramientas de computaci�n en la nube como: Google Earth Engine, Google Colaboratory, Google Cloud Storange y Redes Neuronales Artificiales. La clasificaci�n se realiz� en la zona centro del territorio ecuatoriano espec�ficamente en la provincia de Chimborazo abarcando una extensi�n de 6500 km2. Se cre� una Red Neuronal Artificial usando Tensor Flow y Keras, se clasificaron cinco tipos de cobertura, vegetativo, no vegetativo, agua, nieve y �rboles; la arquitectura de la red es de tipo profunda con una entrada de 1024 neuronas, varias capas intermedias de 512, 256, 128 neuronas con una funci�n de activaci�n relu y un de dropout de 0.2 entre cada capa que evita el sobre ajuste; una funci�n de salida para cinco clases con una funci�n de activaci�n softmax. La red neuronal fue entrenada durante 100 �pocas, tras evaluar el modelo se obtuvo una precisi�n del 92% en las clasificaciones y una p�rdida del 13%. La utilizaci�n de plataformas en la nube contribuye al procesamiento de grandes cantidades de datos con capacidad de almacenamiento y procesamiento para realizar la clasificaci�n de amplias coberturas. Adem�s de esto el utilizar redes neuronales artificiales en im�genes satelitales es un campo en expansi�n que est� dando buenos resultados.

Palabras Clave: Redes Neuronales Artificiales; im�genes satelitales; clasificaci�n de la cobertura.

 

Abstract

Local, sectional and national governments use land cover maps in making political, environmental, and food security decisions, among others; the following research presented a new alternative to make these maps using cloud computing tools such as: Google Earth Engine, Google Colaboratory, Google Cloud Storange and Artificial Neural Networks. The classification was carried out in the central zone of the Ecuadorian territory, specifically in the province of Chimborazo, covering an area of 6,500 km2. An Artificial Neural Network was created using Tensor Flow and Keras, five types of coverage were classified, vegetative, non-vegetative, water, snow and trees; the network architecture is deep type with an input of 1024 neurons, several intermediate layers of 512, 256, 128 neurons with a relu activation function and the a dropout of 0.2 between each layer that avoids overfitting; an output function for five classes with a softmax trigger function. The neural network was trained for 100 epochs; After evaluating the model, a precision of 92% was obtained in the classifications and a loss of 13%. The utilization of cloud platforms contributes to the processing of large amounts of data with storage and processing capacity to perform the classification of wide coverage. In addition to this, using artificial neural networks in satellite images is an expanding field, which is giving good results.

�Keywords: Artificial Neural Networks; satellite images; coverage classification.

 

Resumo

Os governos locais, seccionais e nacionais usam mapas de cobertura da terra na tomada de decis�es pol�ticas, ambientais e de seguran�a alimentar, entre outros; A pesquisa a seguir apresentou uma nova alternativa para fazer esses mapas utilizando ferramentas de computa��o em nuvem como: Google Earth Engine, Google Colaboratory, Google Cloud Storange e Redes Neurais Artificiais. A classifica��o foi realizada na zona central do territ�rio equatoriano, especificamente na prov�ncia de Chimborazo, cobrindo uma �rea de 6.500 km2. Uma Rede Neural Artificial foi criada usando Tensor Flow e Keras, cinco tipos de cobertura foram classificados, vegetativo, n�o vegetativo, �gua, neve e �rvores; a arquitetura de rede � do tipo profundo com uma entrada de 1024 neur�nios, v�rias camadas intermedi�rias de 512, 256, 128 neur�nios com uma fun��o de ativa��o relu e uma queda de 0,2 entre cada camada que evita overfitting; uma fun��o de sa�da para cinco classes com uma fun��o de gatilho softmax. A rede neural foi treinada 100 vezes, ap�s avalia��o do modelo, obteve-se acur�cia de 92% nas classifica��es e perda de 13%. O uso de plataformas em nuvem contribui para o processamento de grandes quantidades de dados com capacidade de armazenamento e processamento para realizar a classifica��o de ampla cobertura. Al�m disso, o uso de redes neurais artificiais em imagens de sat�lite � um campo em expans�o e com bons resultados.

Palavras-chave: Redes Neurais Artificiais; imagens de sat�lite; classifica��o de cobertura.

 

Introducci�n

La clasificaci�n de la cobertura del suelo� proporciona informaci�n importante para las distintas entidades gubernamentales en el Ecuador como: GADs(Gobiernos Aut�nomos Descentralizados), Gobiernos Provinciales, Ministerios; es �til para el ordenamiento territorial (Pinos, 2016), seguimiento del rendimiento de los cultivos (Sep�lveda et al., 2109), levantamiento de indicadores ambientales (Escand�n et al., 2018), inventarios forestales, (Sangurima y Cuasquer, 2019), entre otros; facilitando la toma decisiones adecuadas que beneficien a la poblaci�n y ayuden a la protecci�n del medio ambiente. En el Ecuador se han realizado este tipo de clasificaciones usando m�todos convencionales y paquetes de software tradicionales (Cartaya et al., 2014; Fern�ndez et al., 2020), pero la necesidad de escalar a superficies amplias es un limitante para estos proyectos (Ma et al., 2015), la plataforma Google Earth Engine (GEE), nos permite hacerlo de una manera r�pida, ahorrando recursos en vastas extensiones.

A nivel mundial se han realizado estudios acerca de la clasificaci�n de la cobertura del suelo usando GEE ya que esta herramienta almacena colecciones de im�genes satelitales y permite su procesamiento de una manera r�pida y eficiente.

Un estudio en Tailandia utiliz� GEE con el objetivo de monitorear los cambios en los ecosistemas de los manglares con datos desde 1987 a 2017 con im�genes Landsat, mediante el algoritmo Random Forest, los resultados de la detecci�n de cambios revelaron una disminuci�n significativa en el �rea agr�cola, mientras que hubo un aumento en el bosque de manglares, la granja de camarones, peces, y tierras bald�as (Pimple et al., 2018).

En Malasia se evalu� la viabilidad de GEE como plataforma para estudiar los cambios de cobertura durante varios a�os mediante el uso de algoritmos de aprendizaje autom�tico. Como resultado se obtuvo que la plataforma se desempe�� bastante bien en t�rminos de tiempo y complejidad de procesamiento. (Wahap y Shafri, 2020)

En una investigaci�n en �reas agr�colas de Canad� se realiz� una clasificaci�n de la cobertura del suelo en 10 provincias con un �rea aproximada de 2.803 millones de km2, se utilizaron im�genes Sentinel-1 y Sentinel-2, adquiridas durante el a�o 2018, se realiz� la clasificaci�n basada en objetos con Redes Neuronales Artificiales, se demostr� que el m�todo propuesto de computaci�n en la nube es eficiente en t�rminos de costo, tiempo, computaci�n y automatizaci�n. (Amani et al., 2020).

La plataforma GEE contiene varios algoritmos de aprendizaje autom�tico predeterminados para realizar clasificaciones de cobertura del suelo: �rboles de Decisi�n, M�quinas de Soporte Vectorial, Random Forest, pueden ser utilizados por los usuarios de manera sencilla, pero el aprendizaje profundo y las Redes Neuronales Artificiales (RNA) est�n abriendo nuevas posibilidades para estas aplicaciones con buenos resultados, y ya se� utilizan en varias �reas como: agricultura (Berra, 2017), medicina (Avila et al., 2020), traducci�n de idiomas (Zhang y Zong, 2020), veh�culos aut�nomos (Kebria et al., 2020), entre otras.

En Ecuador, se han realizado trabajos de la clasificaci�n de la cobertura del suelo usando RNA (Jaramillo y Antunes, 2018; Titua�a, 2018), por medio de m�todos y software convencional en peque�as regiones.

El objetivo de la presente investigaci�n es realizar la clasificaci�n de cobertura vegetal utilizando RNA con la ayuda de Tensor Flow y Keras, herramientas de computaci�n en la nube como: Google Colaboratory� (Google Colab), Google Cloud Storange (GCS), GEE, en una zona del centro del Ecuador.

Este trabajo est� organizado de la siguiente manera: se describen las herramientas utilizadas para la elaboraci�n de la clasificaci�n de la cobertura del suelo, se muestra la metodolog�a utilizada para finalmente exponer los resultados obtenidos.

 

Datos y M�todos

Area de estudio

La presente investigaci�n se realiz� en la zona central del Ecuador, espec�ficamente en la provincia de Chimborazo tal como se muestra en la figura1, abarcando una extensi�n aproximada de 6500 km2, posee una variedad de cobertura terrestre como nevados, lagunas, bosques, ciudades, haci�ndolo un lugar atractivo para realizar la clasificaci�n de cobertura del suelo.

 

Figura 1: Ubicaci�n del �rea de estudio, Provincia de Chimborazo - Ecuador

�

Herramientas

Los dispositivos de teledetecci�n recogen gran cantidad de datos cada a�o llegando a formar terabytes de informaci�n (Ma et al., 2015, p.171), que se encuentran en distintas plataformas gubernamentales de los Estados Unidos y la Agencia Espacial Europea, su procesamiento y almacenamiento para la elaboraci�n de mapas en grandes extensiones requiere de una ingente cantidad de espacio y capacidad de c�mputo, por lo que es necesario utilizar plataformas basadas en la nube.

Geewax (2018) describe la nube como �una colecci�n de servicios que ayuda a los desarrolladores a centrarse en su proyecto en lugar de en la infraestructura que lo impulsa�

 

Google Earth Engine

Es una plataforma de escala planetaria que utiliza las grandes capacidades de procesamiento y almacenamiento de Google para procesar im�genes satelitales para poder abordar problemas sociales y ambientales como: la deforestaci�n, monitoreo del clima, seguridad alimentaria (Gorelick et al., 2017, p.18)

Esta plataforma permite el an�lisis geoespacial en la nube sin la necesidad de ocupar la memoria y procesamiento de la computadora del usuario ya que utiliza recursos de Google conect�ndose a sus servidores, agilizando la velocidad de procesamiento y aumentando enormemente la capacidad de almacenamiento (Perilla y Mas, 2020).

 

Google Colaboratory

Desde el punto de vista de Sharma (2020) �Es un entorno gratuito de Jupyter Notebook en l�nea basado en la nube que nos permite entrenar nuestros modelos de aprendizaje autom�tico y aprendizaje profundo en CPU, GPU, TPU�.

 

Google Cloud

Es una gama de productos y servicios que permite que las personas usen la infraestructura de Google, como m�quinas virtuales bajo demanda, almacenamiento, entre otros a trav�s de Google Compute Engine (Geewax, 2018).

 

Keras

�Es un framework de alto nivel para el aprendizaje, escrito en Python y capaz de correr sobre los frameworks Tensor Flow, CNTK, o Theano. Fue desarrollado con el objeto de facilitar un proceso de experimentaci�n r�pida� (Burgal, 2018).

 

Metodolog�a

En el siguiente diagrama de flujo de describe la metodolog�a utilizada para la realizaci�n del proyecto.

 

Figura 2: Metodolog�a utilizada para la clasificaci�n de cobertura vegetal mediante redes neuronales y computaci�n en la nube.

�

Se� utiliz� im�genes satelitales Sentinel-2 nivel 1C descargadas desde la plataforma GEE, se hace un filtrado del conjunto de im�genes por cobertura, �rea y fecha, en este caso en el rango de tiempo fue desde 01-01-2020 hasta el 31-12-2020, se obtuvo un mosaico de im�genes con estos atributos con un porcentaje� de nubosidad del 10%, usando un enmascaramiento de cobertura de nubes que es calculado utilizando la banda QA60 que� permite reconocer estos pixeles y eliminarlos de las im�genes, una vez obtenido el mosaico respectivo con estas caracter�sticas se extrae la media generando la imagen objetivo donde se realiz� la clasificaci�n.

�A continuaci�n, se definieron las cinco coberturas a clasificar que son las siguientes: agua, nieve, �rboles, vegetativo y no vegetativo. Por vegetativos se entiende: arbustos peque�os, pastizales, p�ramo, �reas de cultivo, y por no vegetativo: suelo desnudo, calles, carreteras, edificaciones.

Las muestras se obtuvieron por interpretaci�n visual con la ayuda de expertos que conocen la geograf�a del lugar y mapas de referencia, siendo 200 para nieve, 200 para agua, 300 para �rboles, 300 para vegetativo, 315 para no vegetativo, estos datos se los etiqueta de acuerdo con la cobertura que representan, como lo muestra la figura 3.

 

Figura 3: Muestras obtenidas por interpretaci�n visual de los tipos de cobertura de suelo a clasificar.

�

Posteriormente los datos etiquetados se los se export� como un conjunto de caracter�sticas a la base de datos de activos de GEE para que sea le�do desde Tensor Flow mediante el API de Python.

 

Creaci�n de la red neuronal Artificial

Se debe conectar el entorno de GEE y CCS desde Google Colab mediante autenticaci�n con una cuenta de Google que debe ser la misma para todos los entornos. Una vez establecida la conexi�n se declaran las variables globales que ser�n utilizadas en todo momento, luego se importa los datos de muestra de las distintas clases etiquetadas que est�n almacenadas en la base de datos de activos de GEE como se lo describi� anteriormente, se superpone los puntos en las im�genes para obtener variables predictoras junto con las etiquetas que son almacenados en un diccionario de caracter�sticas.

Se dividen los datos en entrenamiento y de prueba con un 70% y 30% respectivamente del conjunto total para almacenarlos en un dep�sito de GCS hay que transformarlos en un formato tfrecord (Liu, 2020) para que el modelo de Tensor Flow pueda tener acceso a ellos, de igual manera la imagen a clasificar tambi�n se la almacena en este dep�sito usando este formato.

Se procede con la preparaci�n y preprocesamiento de datos definiendo su estructura para que Tensor Flow pueda leer los archivos tfrecords desde GCS en tensores, se crea una funci�n para el an�lisis de estos datos y tengan la forma de entrada correcta al modelo que ser� creado en Keras.

Se agregaron nuevas caracter�sticas como NDVI (Normalized Difference Vegetation Index), �ndice de vegetaci�n calculado a partir de la reflectancia en dos bandas espectrales utilizado para la clasificaci�n de la cobertura del suelo que son adheridas a las variables predictoras.� La f�rmula utilizada para el c�lculo de este �ndice es el siguiente.

Con Keras se cre� el modelo de Red Neuronal Profunda (RNP) que consta de una entrada de 1024 neuronas, varias capas intermedias de 512, 256, 128 neuronas respectivamente, con una funci�n de activaci�n relu, un dropout de 0.2 entre cada capa para evitar el sobreajuste, una funci�n de salida softmax para que discrimine las cinco caracter�sticas para cada una de las coberturas, como funci�n de p�rdida se utiliz� la entrop�a cruzada categ�rica como se muestra en la figura 4.

 

Figura 4: Arquitectura de la Red Neuronal.

Fuente: Elaboraci�n propia.

 

Una vez entrenado el modelo se lo eval�a mediante los datos de prueba, estos deben ser preparados para darles un formato adecuado e ingresarlos al modelo siguiendo el mismo procedimiento que con los datos de entrenamiento.

Cuando el modelo ha sido refinado se procede a realizar la clasificaci�n de la imagen, si esta es demasiado es grande se divide en varios archivos tfrecord para ser almacenada en el repositorio de GCS.

Los datos con la imagen clasificada en formato tfrecord se los exporta a GEE, donde se coloca una leyenda con una paleta de colores mostrando los resultados de la clasificaci�n de la cobertura del suelo requerida.

 

 

Resultados y Discusi�n

En la figura 5 se muestran los resultados de la clasificaci�n con la respectiva leyenda que identifica a cada una de las coberturas clasificadas mediante la RNP.

 

Figura 5: Mapa de la clasificaci�n de la cobertura del suelo obtenida mediante GEE y Redes Neuronales Profundas.

�

En esta investigaci�n se realiz� la clasificaci�n de la cobertura del suelo en el territorio ecuatoriano usando computaci�n en la nube y RNA en la provincia de Chimborazo abarcando una superficie aproximada de 6500km2 utilizando la plataforma GEE con im�genes Sentinel-2 adquiridas durante el a�o 2020, se clasificaron cinco tipos de cobertura que son: agua, no vegetativo, vegetativo, nieve y �rboles. Se prepar� al modelo usando los datos de entrenamiento con 100 �pocas mediante el ensayo error hasta tener el resultado con una tasa de aciertos (accuracy) del 92% y una p�rdida (loss) de 31%.

Se ha optimizado hardware mediante el uso de un computador local para conectarse a la nube que fue el lugar donde se almacenaron im�genes satelitales, se realizaron los respectivos procesos computacionales hasta obtener el producto final evitando utilizar infraestructura costosa en almacenamiento y capacidad de procesamiento.

El m�todo utilizado fue m�s factible en t�rminos de costo, tiempo, con resultados confiables, lo que facilitar� futuras clasificaciones en extensiones m�s amplias y en distintas coberturas del territorio ecuatoriano, ahorrando dinero y tiempo a entidades gubernamentales o particulares que necesitan de este tipo de estudios.

El uso de redes neuronales artificiales combinado con la plataforma GEE para la clasificaci�n de cobertura se est� promulgando recientemente alcanzando resultados efectivos para cambios de cobertura del suelo (Sun et al., 2019; Murthy et al., 2003; Kumar et al., 2016; Seydi et al., 2020), siendo una novedosa alternativa para realizar la cobertura de cualquier tipo de suelos o hacerlo en territorios extensos.

Adem�s de usar computaci�n en la nube se abre la posibilidad de realizar investigaciones que no solo incluyan m�todos de clasificaci�n de aprendizaje autom�tico tradicionales, sino tambi�n el aprendizaje profundo, explorar distintas arquitecturas o m�todos de redes neuronales para seguir mejorando la precisi�n en la clasificaci�n de la variada cobertura terrestre del territorio ecuatoriano.

En la presente investigaci�n se han tomado solamente cuatro tipos de cobertura, ya que el objetivo no era obtener una clasificaci�n detallada, sino m�s bien mostrar las bondades de usar computaci�n en la nube, Redes Neuronales Artificiales, adem�s de describir una metodolog�a para usar estas herramientas que resultan ser novedosas y permiten optimizar tiempo y recursos.

 

Referencias

1.         Ald�s Andrade, A. P. (2019, April 29). An�lisis de la din�mica temporal del �ndice de vegetaci�n de diferencia normalizada (NDVI) para los a�os 1986, 2001 y 2017 en la Reserva Ecol�gica Cotacachi Cayapas, Imbabura, mediante el uso de google Earth Engine [Tesis de Grado, Universidad Cat�lica del Ecuador]. http://repositorio.puce.edu.ec/handle/22000/16619.

2.         Amani , M., Kakooei, M., Armin, M. 3, Ghorbanian , A., Ranjgar , B., Mahdavi , S., � Mohammadzadeh, A. (2020). Application of Google Earth Engine Cloud Computing Platform, Sentinel Imagery, and Neural Networks for Crop Mapping in Canada. Remote Sensing,12(21).��������������������������������������������������������������������� �������������������https://doi.org/10.3390/rs12213561

3.         Avila Tom�s, J. F., Mayer Pujadas, M. A., y Quesada Varela, V. J. (2020). La inteligencia artificial y sus aplicaciones en medicina I: introducciones antecedentes a la IA y rob�tica. Atenci�n Primaria, 52(10), 778�784.����������������������������������� https://doi.org/DOI: 10.1016/j.aprim.2020.04.013

4.         Berra, E. (2017). Eficiencia de las redes neuronales para la toma de decisiones en el sector agr�cola an�lisis exploratorio. Reaxion, (2).

5.         Burgal, J. (20 de junio de 2018). Deep Learning b�sico con Keras (Parte 1). En Mi Local Funciona. https://enmilocalfunciona.io/deep-learning-basico-con-keras-parte-1/.

6.         Cartaya R�os, S., Zurita Alfaro, S., Rodr�guez R�os, E., y Montalvo P�rraga, V. (2014). Comparaci�n de t�cnicas para determinar cobertura vegetal y usos de la tierra en �reas de inter�s ecol�gico, Manab�, Ecuador. REVISTA UD Y LA GEOM�TICA, (9), 5�17. https://doi.org/10.14483/23448407.7883

7.         Escand�n, J., Ord��ez, J. A., Nieto de Pascual, M. C. del C., y Ord��ez , M. de J. (2018). Cambio en la cobertura vegetal y uso del suelo del 2000 al 2009 en Morelos, M�xico. Revista Mexicana De Ciencias Forestales, 9(46). https://doi.org/10.29298/rmcf.v9i46.135

8.         Fern�ndez Fierro, A. A., Rosero Erazo, C. R., Beltr�n D�valos, A. A., y Echeverr�a-Guadalupe, M. M. (2020). Caracterizaci�n y din�mica de la cobertura de suelo mediante teledetecci�n: Caso de estudio volc�n Tungurahua, Ecuador. Dominio De Las Ciencias, 6(2), 906�938.��������������������������������������������� ����������������http://dx.doi.org/10.23857/dc.v6i2.1201

9.         Geewax, J. J. (agosto de 2018). Google Cloud Platform in Action. Manning Publications. https://www.manning.com/books/google-cloud-platform-in-action.

10.     Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., y Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment,202(2017),18-27.���������������������������������������������������� ����������������������https://doi.org/10.1016/j.rse.2017.06.031

11.     Jaramillo, L. V., y Antunes, A. F. (2018). Detecci�n de cambios en la cobertura vegetal mediante interpretaci�n de im�genes Landsat por redes neuronales artificiales (RNA). Caso de estudio: Regi�n Amaz�nica Ecuatoriana. REVISTA DE TELEDETECCI�N, 51, 33�46.�������������������������������������������������������������������� https://doi.org/10.4995/raet.2018.8995

12.     Kebria, P. M., Nahavandi, S., Salaken, S. M., y Khosravi, A. (2020). Deep imitation learning for autonomous vehicles based on convolutional neural networks. EEE/CAA Journal of Automatica Sinica, 7(1), 82�95.������������������������������������������������������������������� https://doi.org/10.1109/JAS.2019.1911825.

13.     Kumar, P., Prasad, R., Mishra, V. N., Gupta, D. K., y Singh, S. K. (2016). Artificial neural network for crop classification using C-band RISAT-1 satellite datasets. Russian Agricultural Sciences, 42, 281�284.������������������� https://doi.org/10.3103/S1068367416030137

14.     Liu, Y. (18 de febrero de 2020). What is TFRecord and why it's useful for image classification? Medium. https://lyleaf.medium.com/what-is-tfrecord-and-why-its-useful-for-image-classification-7cb3b25299b6.

15.     Ma, Y., Wang, L., Liu, P., y Ranjan, R. (2015). Towards building a data-intensive index for big data computing � A case study of Remote Sensing data processing. Information Sciences, 319,171-188.��������������������������������������������������������������������������������� https://doi:10.1016/j.ins.2014.10.006

16.     Murthy, C. S., Raju, P. V., y Badrinath, K. V. S. (2003). Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks. International Journal of Remote Sensing , 24(23), 4871�4890. https://doi.org/10.1080/0143116031000070490

17.     Perilla, G. A., y Mas, J. F. (2020). Google Earth Engine (GEE): una poderosa herramienta que vincula el potencial de los datos masivos y la eficacia del procesamiento en la nube. Investigaciones Geogr�ficas, 101.�������� �����������������������������https://doi.org/10.14350/rig.59929

18.     Pimple, U., Simonett, D., Sitth, A., Pungkul, S., Leadprathom, K., Skupek, H., � Towprayoon, S. (2018). Google Earth Engine Based Three Decadal Landsat Imagery Analysis for Mapping of Mangrove Forests and Its Surroundings in the Trat Province of Thailan. Journal of Computer and Communications, 6, 247�264.

19.     Pinos, N. (2016). Prospectiva del uso de suelo y cobertura vegetal en el ordenamiento territorial - Caso cant�n Cuenca, 5(9).��������

20.     Sangurima Tito, A. C., y Cuasquer Enr�quez, F. B. (2019). An�lisis multitemporal de la cobertura vegetal y uso del suelo en la reserva ecol�gica El �ngel, periodo 1990-2017, Carchi-Ecuador [Tesis de Grado, Universidad T�cnica del Norte]. http://repositorio.utn.edu.ec/bitstream/123456789/9408/2/03%20RNR%20321%20TRABAJO%20GRADO.pdf

21.     Sep�lveda Varas, A., Saavedra Briones, P., y Esse, C. (2109). An�lisis de cambio de cobertura y uso de suelo en una subcuenca preandina chilena. Herramienta para la sustentabilidad productiva de un territorio. Revista De Geograf�a Norte Grande, 72. http://dx.doi.org/10.4067/S0718-34022019000100009

22.     �Seydi, S. T., Hasanlou, M., y Amani, M. (2020). A New End-to-End Multi-Dimensional CNN Framework for Land Cover/Land Use Change Detection in Multi-Source Remote Sensing Datasets. Remote Sensing, 12(12), 2010.������������ https://doi.org/10.3390/rs12122010

23.     Sharma, A. (29 de diciembre de 2020). Use Google Colab for Deep Learning and Machine Learning Models. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2020/03/google-colab-machine-learning-deep-learning/#1.

24.     Sun , C., Bian , Y., Zhou, T., y Pan, J. (2019). Using of Multi-Source and Multi-Temporal Remote Sensing Data Improves Crop-Type Mapping in the Subtropical Agriculture Region. Sensors, 19(10), 2401.������������������������������������ https://doi.org/10.3390/s19102401

25.     Tensorflow. (9 de agosto de 2020) TFRecord and tf.train.Example� :�� TensorFlow Core. TensorFlow. https://www.tensorflow.org/tutorials/load_data/tfrecord.

26.     Titua�a Jami, J. C. (25 ed octubre de 2018). Desarrollo de un m�todo para la clasificaci�n automatizada de im�genes Landsat 8 mediante Redes Neuronales Artificiales. EPN. https://bibdigital.epn.edu.ec/handle/15000/19806?mode=full.

27.     Wahap, N. A., y Shafri, H. Z. M. (2020). Utilization of Google Earth Engine (GEE) for land cover monitoring over Klang Valley, Malaysia. IOP Conference Series: Earth and Environmental Science, 540, 012003.������������������������������������������� https://doi.org/10.1088/1755-1315/540/1/012003

28.     Zhang, J. J., y Zong, C. Q. (2020). Neural machine translation: Challenges, progress and future. Sci China Tech Sci, 63(10), 2028�2050. https://doi.org/10.1007/s11431-020-1632-x

 

 

� 2020 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/)