Revista Polo del Conocimiento


Polo del Conocimiento

 

 

Uso de Redes Neuronales Artificiales y Computacin 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 computao em nuvem para classificar a cobertura do solo no territrio equatoriano

 

 

Marco Javier Castelo-Cabay I

mcc563@inlumine.ual.es

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

 

Gustavo Ivn Buay-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 tcnicas y aplicadas.

Artculo de investigacin

 

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

                               I.            Mster en Tecnologas de la Informacin y de la Comunicacin Aplicadas a la Educacin, Mster en Tecnologas y Aplicaciones en Ingeniera Informtica, Ingeniero en Sistemas Informticos, Estudiante de Doctorado en Universidad de Almera, Espaa.

                            II.            Ingeniero en Sistemas Informticos, Docente del Instituto Tecnolgico Luis A. Martnez, Ambato, Ecuador.

                         III.            Mster en Tecnologas y Aplicaciones en Ingeniera Informtica, Ingeniero en Sistemas Informticos, Universidad de Almera, Espaa.


Resumen

Los gobiernos locales, seccionales y nacionales utilizan mapas de cobertura del suelo en la toma de decisiones polticas, ambientales, seguridad alimentaria, entre otras; la siguiente investigacin present una nueva alternativa para realizar estos mapas mediante herramientas de computacin en la nube como: Google Earth Engine, Google Colaboratory, Google Cloud Storange y Redes Neuronales Artificiales. La clasificacin se realiz en la zona centro del territorio ecuatoriano especficamente en la provincia de Chimborazo abarcando una extensin 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 funcin de activacin relu y un de dropout de 0.2 entre cada capa que evita el sobre ajuste; una funcin de salida para cinco clases con una funcin de activacin softmax. La red neuronal fue entrenada durante 100 pocas, tras evaluar el modelo se obtuvo una precisin del 92% en las clasificaciones y una prdida del 13%. La utilizacin de plataformas en la nube contribuye al procesamiento de grandes cantidades de datos con capacidad de almacenamiento y procesamiento para realizar la clasificacin de amplias coberturas. Adems de esto el utilizar redes neuronales artificiales en imgenes satelitales es un campo en expansin que est dando buenos resultados.

Palabras Clave: Redes Neuronales Artificiales; imgenes satelitales; clasificacin 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 decises polticas, ambientais e de segurana alimentar, entre outros; A pesquisa a seguir apresentou uma nova alternativa para fazer esses mapas utilizando ferramentas de computao em nuvem como: Google Earth Engine, Google Colaboratory, Google Cloud Storange e Redes Neurais Artificiais. A classificao foi realizada na zona central do territrio equatoriano, especificamente na provncia 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, no vegetativo, gua, neve e rvores; a arquitetura de rede do tipo profundo com uma entrada de 1024 neurnios, vrias camadas intermedirias de 512, 256, 128 neurnios com uma funo de ativao relu e uma queda de 0,2 entre cada camada que evita overfitting; uma funo de sada para cinco classes com uma funo de gatilho softmax. A rede neural foi treinada 100 vezes, aps avaliao do modelo, obteve-se acurcia de 92% nas classificaes 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 classificao de ampla cobertura. Alm disso, o uso de redes neurais artificiais em imagens de satlite um campo em expanso e com bons resultados.

Palavras-chave: Redes Neurais Artificiais; imagens de satlite; classificao de cobertura.

 

Introduccin

La clasificacin de la cobertura del suelo proporciona informacin importante para las distintas entidades gubernamentales en el Ecuador como: GADs(Gobiernos Autnomos Descentralizados), Gobiernos Provinciales, Ministerios; es til para el ordenamiento territorial (Pinos, 2016), seguimiento del rendimiento de los cultivos (Seplveda et al., 2109), levantamiento de indicadores ambientales (Escandn et al., 2018), inventarios forestales, (Sangurima y Cuasquer, 2019), entre otros; facilitando la toma decisiones adecuadas que beneficien a la poblacin y ayuden a la proteccin del medio ambiente. En el Ecuador se han realizado este tipo de clasificaciones usando mtodos convencionales y paquetes de software tradicionales (Cartaya et al., 2014; Fernndez 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 rpida, ahorrando recursos en vastas extensiones.

A nivel mundial se han realizado estudios acerca de la clasificacin de la cobertura del suelo usando GEE ya que esta herramienta almacena colecciones de imgenes satelitales y permite su procesamiento de una manera rpida 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 imgenes Landsat, mediante el algoritmo Random Forest, los resultados de la deteccin de cambios revelaron una disminucin significativa en el rea agrcola, mientras que hubo un aumento en el bosque de manglares, la granja de camarones, peces, y tierras baldas (Pimple et al., 2018).

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

En una investigacin en reas agrcolas de Canad se realiz una clasificacin de la cobertura del suelo en 10 provincias con un rea aproximada de 2.803 millones de km2, se utilizaron imgenes Sentinel-1 y Sentinel-2, adquiridas durante el ao 2018, se realiz la clasificacin basada en objetos con Redes Neuronales Artificiales, se demostr que el mtodo propuesto de computacin en la nube es eficiente en trminos de costo, tiempo, computacin y automatizacin. (Amani et al., 2020).

La plataforma GEE contiene varios algoritmos de aprendizaje automtico predeterminados para realizar clasificaciones de cobertura del suelo: rboles de Decisin, Mquinas de Soporte Vectorial, Random Forest, pueden ser utilizados por los usuarios de manera sencilla, pero el aprendizaje profundo y las Redes Neuronales Artificiales (RNA) estn 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), traduccin de idiomas (Zhang y Zong, 2020), vehculos autnomos (Kebria et al., 2020), entre otras.

En Ecuador, se han realizado trabajos de la clasificacin de la cobertura del suelo usando RNA (Jaramillo y Antunes, 2018; Tituaa, 2018), por medio de mtodos y software convencional en pequeas regiones.

El objetivo de la presente investigacin es realizar la clasificacin de cobertura vegetal utilizando RNA con la ayuda de Tensor Flow y Keras, herramientas de computacin 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 elaboracin de la clasificacin de la cobertura del suelo, se muestra la metodologa utilizada para finalmente exponer los resultados obtenidos.

 

Datos y Mtodos

Area de estudio

La presente investigacin se realiz en la zona central del Ecuador, especficamente en la provincia de Chimborazo tal como se muestra en la figura1, abarcando una extensin aproximada de 6500 km2, posee una variedad de cobertura terrestre como nevados, lagunas, bosques, ciudades, hacindolo un lugar atractivo para realizar la clasificacin de cobertura del suelo.

 


Figura 1: Ubicacin del rea de estudio, Provincia de Chimborazo - Ecuador

Herramientas

Los dispositivos de teledeteccin recogen gran cantidad de datos cada ao llegando a formar terabytes de informacin (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 elaboracin de mapas en grandes extensiones requiere de una ingente cantidad de espacio y capacidad de cmputo, por lo que es necesario utilizar plataformas basadas en la nube.

Geewax (2018) describe la nube como una coleccin 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 imgenes satelitales para poder abordar problemas sociales y ambientales como: la deforestacin, monitoreo del clima, seguridad alimentaria (Gorelick et al., 2017, p.18)

Esta plataforma permite el anlisis geoespacial en la nube sin la necesidad de ocupar la memoria y procesamiento de la computadora del usuario ya que utiliza recursos de Google conectndose 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 lnea basado en la nube que nos permite entrenar nuestros modelos de aprendizaje automtico 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 mquinas virtuales bajo demanda, almacenamiento, entre otros a travs 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 experimentacin rpida (Burgal, 2018).

 

Metodologa

En el siguiente diagrama de flujo de describe la metodologa utilizada para la realizacin del proyecto.

 


Figura 2: Metodologa utilizada para la clasificacin de cobertura vegetal mediante redes neuronales y computacin en la nube.

Se utiliz imgenes satelitales Sentinel-2 nivel 1C descargadas desde la plataforma GEE, se hace un filtrado del conjunto de imgenes 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 imgenes 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 imgenes, una vez obtenido el mosaico respectivo con estas caractersticas se extrae la media generando la imagen objetivo donde se realiz la clasificacin.

A continuacin, se definieron las cinco coberturas a clasificar que son las siguientes: agua, nieve, rboles, vegetativo y no vegetativo. Por vegetativos se entiende: arbustos pequeos, pastizales, pramo, reas de cultivo, y por no vegetativo: suelo desnudo, calles, carreteras, edificaciones.

Las muestras se obtuvieron por interpretacin visual con la ayuda de expertos que conocen la geografa 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 interpretacin visual de los tipos de cobertura de suelo a clasificar.

Posteriormente los datos etiquetados se los se export como un conjunto de caractersticas a la base de datos de activos de GEE para que sea ledo desde Tensor Flow mediante el API de Python.

 

Creacin de la red neuronal Artificial

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

Se dividen los datos en entrenamiento y de prueba con un 70% y 30% respectivamente del conjunto total para almacenarlos en un depsito 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 tambin se la almacena en este depsito usando este formato.

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

Se agregaron nuevas caractersticas como NDVI (Normalized Difference Vegetation Index), ndice de vegetacin calculado a partir de la reflectancia en dos bandas espectrales utilizado para la clasificacin de la cobertura del suelo que son adheridas a las variables predictoras. La frmula utilizada para el clculo 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 funcin de activacin relu, un dropout de 0.2 entre cada capa para evitar el sobreajuste, una funcin de salida softmax para que discrimine las cinco caractersticas para cada una de las coberturas, como funcin de prdida se utiliz la entropa cruzada categrica como se muestra en la figura 4.

 


Figura 4: Arquitectura de la Red Neuronal.

Fuente: Elaboracin propia.

 

Una vez entrenado el modelo se lo evala 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 clasificacin 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 clasificacin de la cobertura del suelo requerida.

 

 

Resultados y Discusin

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

 


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

En esta investigacin se realiz la clasificacin de la cobertura del suelo en el territorio ecuatoriano usando computacin en la nube y RNA en la provincia de Chimborazo abarcando una superficie aproximada de 6500km2 utilizando la plataforma GEE con imgenes Sentinel-2 adquiridas durante el ao 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 prdida (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 imgenes satelitales, se realizaron los respectivos procesos computacionales hasta obtener el producto final evitando utilizar infraestructura costosa en almacenamiento y capacidad de procesamiento.

El mtodo utilizado fue ms factible en trminos de costo, tiempo, con resultados confiables, lo que facilitar futuras clasificaciones en extensiones ms 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 clasificacin 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.

Adems de usar computacin en la nube se abre la posibilidad de realizar investigaciones que no solo incluyan mtodos de clasificacin de aprendizaje automtico tradicionales, sino tambin el aprendizaje profundo, explorar distintas arquitecturas o mtodos de redes neuronales para seguir mejorando la precisin en la clasificacin de la variada cobertura terrestre del territorio ecuatoriano.

En la presente investigacin se han tomado solamente cuatro tipos de cobertura, ya que el objetivo no era obtener una clasificacin detallada, sino ms bien mostrar las bondades de usar computacin en la nube, Redes Neuronales Artificiales, adems de describir una metodologa para usar estas herramientas que resultan ser novedosas y permiten optimizar tiempo y recursos.

 

Referencias

1.         Alds Andrade, A. P. (2019, April 29). Anlisis de la dinmica temporal del ndice de vegetacin de diferencia normalizada (NDVI) para los aos 1986, 2001 y 2017 en la Reserva Ecolgica Cotacachi Cayapas, Imbabura, mediante el uso de google Earth Engine [Tesis de Grado, Universidad Catlica 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 Toms, 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 robtica. Atencin Primaria, 52(10), 778784. 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 agrcola anlisis exploratorio. Reaxion, (2).

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

6.         Cartaya Ros, S., Zurita Alfaro, S., Rodrguez Ros, E., y Montalvo Prraga, V. (2014). Comparacin de tcnicas para determinar cobertura vegetal y usos de la tierra en reas de inters ecolgico, Manab, Ecuador. REVISTA UD Y LA GEOMTICA, (9), 517. https://doi.org/10.14483/23448407.7883

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

8.         Fernndez Fierro, A. A., Rosero Erazo, C. R., Beltrn Dvalos, A. A., y Echeverra-Guadalupe, M. M. (2020). Caracterizacin y dinmica de la cobertura de suelo mediante teledeteccin: Caso de estudio volcn Tungurahua, Ecuador. Dominio De Las Ciencias, 6(2), 906938. 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). Deteccin de cambios en la cobertura vegetal mediante interpretacin de imgenes Landsat por redes neuronales artificiales (RNA). Caso de estudio: Regin Amaznica Ecuatoriana. REVISTA DE TELEDETECCIN, 51, 3346. 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), 8295. 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, 281284. 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), 48714890. 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 Geogrficas, 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, 247264.

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

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

21.     Seplveda Varas, A., Saavedra Briones, P., y Esse, C. (2109). Anlisis de cambio de cobertura y uso de suelo en una subcuenca preandina chilena. Herramienta para la sustentabilidad productiva de un territorio. Revista De Geografa 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.     Tituaa Jami, J. C. (25 ed octubre de 2018). Desarrollo de un mtodo para la clasificacin automatizada de imgenes 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), 20282050. https://doi.org/10.1007/s11431-020-1632-x

 

 

2020 por los autores. Este artculo es de acceso abierto y distribuido segn los trminos y condiciones de la licencia Creative Commons Atribucin-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

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

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/

 

 

            



Top