Clasificación de una imagen satelital empleando máquinas de soporte vectorial para cuantificar el área de Pinus Patula en una plantación

  • Orlando Orlando Riaño Melo Universidad Distrital Francisco José de Caldas
  • Carlos Daniel Acosta Medina Universidad Nacional de Colombia
  • Robert Orlando Leal Pulido Universidad Distrital Francisco José de Caldas
Palabras clave: Función Kernel, hiperplano, Máquinas de Soporte Vectorial, vectores de soporte (es_ES)

Resumen (es_ES)

En este artículo se muestran los resultados obtenidos con el método de Máquinas de Soporte Vectorial (SVM), aplicado para clasificar una imagen de una plantación de Pinus patula en Antioquía (Colombia).
El clasificador SVM empleó como kernel la función de base radial en la solución del problema de clasificar coberturas del suelo. La clasificación se realizó de manera supervisada tomando 1500 puntos de entrenamiento dentro del área de estudio que incluyeron seis clases de cobertura. La evaluación de exactitud temática obtenida se realizó a partir de 3000 puntos de validación. El estudio indica que el índice Kappa para la clasificación con el algoritmo SVM fue de 0,94, que se considera muy bueno y un porcentaje correctamente clasificado (PCC) del 96,26%.

Descargas

La descarga de datos todavía no está disponible.

Referencias

P. M. Mather. Computer processing of remotely-sensed images: An introduction, 3ed edition. Chichester. John Wiley and Sons. 2004.

J.F. Mas, J.J. Flores. “The application of artificial neural networks to the analysis of remotely sensed data”. International Journal of Remote Sensing, 29 (3), 617-663. 2008.

G. Mountrakis, J. Im, C. Ogole. “Support vector machines in remote sensing: A review”. ISPRS Journal of Photogrammetry and Remote Sensing, 66 (3), 247-259. 2011.

M. H.Tseng, S. J. Chen, G. H.Hwang and M. Y. Shen. “A genetic algorithm rule-based approach for landcover classification”. ISPRS J. Photogram. Remote Sensing, 63: 202-212. 2008

C. Burges, Schölkopf and A. Smola. Advances in kernel methods: Support vector machines. Cambridge, MA: MIT Press. 1999.

L. Breiman. “Random Forest”. Machine Learning. 45(1), 5-32. 2001.

V. Vapnik. The Nature of Statistical Learning Theory. Springer_Verlag, New York. 1995.

C. Burges. “A tutorial on support vector machines for pattern recognition”. Data Mining and Knowledge Discovery, vol. 2, no. 2. 1998.

I. Lizarazo, S. Mesa, R. Cuitiva. “Clasificación de imágenes usando redes neuronales: Bases matemáticas”. Revista Científica no. 7. Centro de Investigaciones y Desarrollo Científico (CIDC), Universidad Distrital. 2005.

V. Vapnik. Statistical Learning Theory. Wiley, New York. 1998.

V. Kecman. Learning and Soft Computing. MIT Press, London. 2001.

G. Betancourt. “Las máquinas de soporte vectorial”. Scientia

et Technica. Año X!, No. 27: 67-72. 2005.

B. Tso. and P. Mather. Classification Methods for Remotely Sensed Data. Taylor and Francis Corp, London, UK. 2009.

A. Ariza. Descripción y corrección de datos Landsat 8. LDCM. Versión 1.0. Instituto Geográfico Agustín Codazzi. Bogotá. 2013.

USGS. “Landsat 8 Product. U.S. Department of the Interior”. U.S. Geological Survey. 2015.

R version 3.3. The R Foundation for Statistical Computing. ISBN 3-900051-07-0. 2016.

R. B. Congalton. “A review of assessing the accuracy of classifications of remotely sensed data”. Remote Sensing of Environmental, 37: 35-46. 1991.

Cómo citar
Orlando Riaño Melo, O., Acosta Medina, C. D., & Leal Pulido, R. O. (1). Clasificación de una imagen satelital empleando máquinas de soporte vectorial para cuantificar el área de Pinus Patula en una plantación. Redes De Ingeniería, 54-60. https://doi.org/10.14483/2248762X.11991
Sección
Investigación