Publication:
Clasificaciones de imágenes en el lenguaje R

Loading...
Thumbnail Image
Official URL
Full text at PDC
Publication Date
2022-06
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Google Scholar
Research Projects
Organizational Units
Journal Issue
Abstract
Este Trabajo de Fin de Grado es una aportación al estudio de clasificación de imágenes satelitales, proporcionando la clasificación de tipo de cobertura terrestre aplicando algoritmos supervisados como Knn (Vecinos más cercanos), Redes neuronales artificiales (RNA), SVM (Máquina de soporte vectoriales) y Random Forest (Bosques Aleatorios) y no supervisados como Kmeans y CLARA. El estudio se centra en Roma, cuyo conjunto de datos son adquiridos del satélite Landsat-8. Mediante el uso del lenguaje R, se han procesado, entrenado y evaluado el conjunto de datos de tipo ráster. Se ha evaluado su eficiencia o Accuracy en algoritmos supervisados además de analizar matrices de confusión, valores de sensibilidad y especificidad como también valores predichos positivos y negativos. Por otro lado, el índice de silueta se aplica en la evaluación de algoritmos no supervisados. Se han generado y analizado gráficas a partir de los resultados más representativos con el objetivo de comparar entre los diferentes métodos de clasificación y visualizar de manera sencilla los tipos de cobertura que se generan para la zona de estudio terminada la clasificación.
This Final Degree Project is a contribution to the study of satélite image classification, providing land cover type classification by applying supervised algorithms such as Knn (Nearest Neighbors), Artificial Neural Networks (ANN), SVM (Support Vector Machine) and Random Forest (Random Forests) and unsupervised algorithms such as Kmeans and CLARA. The study focuses on Rome, whose data set is acquired from the Landsat-8 satellite. Using the R language, the raster type dataset has been processed, trained and evaluated. Its efficiency or Accuracy has been evaluated in supervised algorithms in addition to analyzing confusion matrices, sensitivity and specificity values as well as positive and negative predicted values. On the other hand, the silhouette index is applied in the evaluation of unsupervised algorithms. Graphs have been generated and analyzed from the most representative results in order to compare between the different classification methods and to visualize in a simple way the types of coverage generated for the study area after classification.
Description
Trabajo de Fin de Grado en Ingeniería Informática, Facultad de Informática UCM, Departamento de Sistemas Informáticos y Computación, Curso 2021/2022. https://github.com/elianaaliz/SatelliteImageClassification-TFG
Unesco subjects
Keywords
Citation