Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones.
Este informe presenta el desarrollo de una base de datos en Python 3.8.18 destinada al entrenamiento de redes neuronales convolucionales (CNN) para llevar a cabo la clasificación de categorías geoespaciales, incluyendo bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas y otras r...
- Autores:
-
Navarro Casseres, Beitman Ricardo
- Tipo de recurso:
- https://vocabularies.coar-repositories.org/resource_types/c_7a1f/
- Fecha de publicación:
- 2023
- Institución:
- Universidad del Magdalena
- Repositorio:
- Repositorio Unimagdalena
- Idioma:
- spa
eng
- OAI Identifier:
- oai:repositorio.unimagdalena.edu.co:123456789/20904
- Acceso en línea:
- https://repositorio.unimagdalena.edu.co/handle/123456789/20904
- Palabra clave:
- Segmentación de ortomosaicos
Base de datos en Python
Clasificación geoespacial
Automatización del proceso de generación de planos
- Rights
- openAccess
- License
- Acceso Abierto
| id |
UNIMAGDALE_c19af6ffb765b4be1d4399a124b90c8c |
|---|---|
| oai_identifier_str |
oai:repositorio.unimagdalena.edu.co:123456789/20904 |
| network_acronym_str |
UNIMAGDALE |
| network_name_str |
Repositorio Unimagdalena |
| repository_id_str |
|
| spelling |
Cantillo Jiménez, Ronny AlfonsoNavarro Casseres, Beitman RicardoIngeniero Civil2024-01-18T14:26:37Z2024-01-18T14:26:37Z20232023https://repositorio.unimagdalena.edu.co/handle/123456789/20904Este informe presenta el desarrollo de una base de datos en Python 3.8.18 destinada al entrenamiento de redes neuronales convolucionales (CNN) para llevar a cabo la clasificación de categorías geoespaciales, incluyendo bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas y otras representaciones. El enfoque central de este proyecto es la implementación de dicho sistema en entornos de segmentación específicos para ortomosaicos de 4 bandas. El objetivo principal es la automatización integral del proceso de generación de planos. La propuesta técnica se fundamenta en la aplicación de inteligencia artificial (IA) y el lenguaje de programación Python, concebidos como herramientas innovadoras para mejorar la eficiencia y precisión en la producción de planos geoespaciales. Este enfoque tecnológico ofrece mejoras notables en términos de velocidad y exactitud, destacando su ventaja competitiva frente a los métodos tradicionales empleados en el ámbito de la cartografía y la generación de planos.textpictureUniversidad del MagdalenaUniversidad del MagdalenaFacultad de IngenieríaIngeniería CivilSanta MartaAcceso Abiertoinfo:eu-repo/semantics/openAccessAcceso Abiertoinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/atribucionnocomercialsinderivarhttp://purl.org/coar/access_right/c_abf2Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones.spaengInforme de prácticahttps://vocabularies.coar-repositories.org/resource_types/c_7a1f/http://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisTrabajo de Grado de PregradoSegmentación de ortomosaicosBase de datos en PythonClasificación geoespacialAutomatización del proceso de generación de planosPregradoLICENSElicense.txtlicense.txttext/plain; charset=utf-82484http://localhost:4000/bitstreams/fe0796b3-5c0a-4bfe-bc1d-59f01c84237e/download03de826a7ba30b30f95ba9233c6ed790MD51falseAnonymousREADORIGINALInforme_Opcion_de_Grado_Beitman_Navarro_2018115046.pdfInforme_Opcion_de_Grado_Beitman_Navarro_2018115046.pdfapplication/pdf2353944http://localhost:4000/bitstreams/b41aec33-1b70-41ca-8674-3c03f612131e/download4f568215f5daada3167c3ee947999d14MD52trueAnonymousREADBI_F12_Formato_Licencia_Publicacion_Trabajos_Grado.pdfBI_F12_Formato_Licencia_Publicacion_Trabajos_Grado.pdfRestringidoapplication/pdf154627http://localhost:4000/bitstreams/cdd5859e-21d4-4bf0-a68f-d25a0c50e058/download447cabd010927c53ac9053613599385bMD53falseAdministratorREAD123456789/20904oai:localhost:123456789/209042024-11-24 00:48:39.041open.accesshttp://localhost:4000DSpace Started with Docker Composedspace-help@myu.edu |
| dc.title.spa.fl_str_mv |
Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones. |
| title |
Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones. |
| spellingShingle |
Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones. Segmentación de ortomosaicos Base de datos en Python Clasificación geoespacial Automatización del proceso de generación de planos |
| title_short |
Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones. |
| title_full |
Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones. |
| title_fullStr |
Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones. |
| title_full_unstemmed |
Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones. |
| title_sort |
Desarrollo de una base de datos en Python 3.8.18 para el entrenamiento de redes neuronales convolucionales (CNN) en la clasificación de categorías geoespaciales: bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas, y otras representaciones. |
| dc.creator.fl_str_mv |
Navarro Casseres, Beitman Ricardo |
| dc.contributor.advisor.none.fl_str_mv |
Cantillo Jiménez, Ronny Alfonso |
| dc.contributor.author.none.fl_str_mv |
Navarro Casseres, Beitman Ricardo |
| dc.subject.proposal.spa.fl_str_mv |
Segmentación de ortomosaicos Base de datos en Python Clasificación geoespacial Automatización del proceso de generación de planos |
| topic |
Segmentación de ortomosaicos Base de datos en Python Clasificación geoespacial Automatización del proceso de generación de planos |
| description |
Este informe presenta el desarrollo de una base de datos en Python 3.8.18 destinada al entrenamiento de redes neuronales convolucionales (CNN) para llevar a cabo la clasificación de categorías geoespaciales, incluyendo bosques, cultivos, pastos, suelo desnudo, zonas inundables y pantanosas y otras representaciones. El enfoque central de este proyecto es la implementación de dicho sistema en entornos de segmentación específicos para ortomosaicos de 4 bandas. El objetivo principal es la automatización integral del proceso de generación de planos. La propuesta técnica se fundamenta en la aplicación de inteligencia artificial (IA) y el lenguaje de programación Python, concebidos como herramientas innovadoras para mejorar la eficiencia y precisión en la producción de planos geoespaciales. Este enfoque tecnológico ofrece mejoras notables en términos de velocidad y exactitud, destacando su ventaja competitiva frente a los métodos tradicionales empleados en el ámbito de la cartografía y la generación de planos. |
| publishDate |
2023 |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.date.submitted.none.fl_str_mv |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2024-01-18T14:26:37Z |
| dc.date.available.none.fl_str_mv |
2024-01-18T14:26:37Z |
| dc.type.spa.fl_str_mv |
Informe de práctica |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.coar.none.fl_str_mv |
https://vocabularies.coar-repositories.org/resource_types/c_7a1f/ |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado de Pregrado |
| format |
https://vocabularies.coar-repositories.org/resource_types/c_7a1f/ |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unimagdalena.edu.co/handle/123456789/20904 |
| url |
https://repositorio.unimagdalena.edu.co/handle/123456789/20904 |
| dc.language.iso.fl_str_mv |
spa eng |
| language |
spa eng |
| dc.rights.none.fl_str_mv |
Acceso Abierto info:eu-repo/semantics/openAccess |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.cc.spa.fl_str_mv |
Acceso Abierto |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.creativecommons.spa.fl_str_mv |
atribucionnocomercialsinderivar |
| rights_invalid_str_mv |
Acceso Abierto https://creativecommons.org/licenses/by-nc-nd/4.0/ atribucionnocomercialsinderivar http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
text picture |
| dc.publisher.none.fl_str_mv |
Universidad del Magdalena |
| dc.publisher.spa.fl_str_mv |
Universidad del Magdalena |
| dc.publisher.department.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Civil |
| dc.publisher.place.spa.fl_str_mv |
Santa Marta |
| publisher.none.fl_str_mv |
Universidad del Magdalena |
| institution |
Universidad del Magdalena |
| bitstream.url.fl_str_mv |
http://localhost:4000/bitstreams/fe0796b3-5c0a-4bfe-bc1d-59f01c84237e/download http://localhost:4000/bitstreams/b41aec33-1b70-41ca-8674-3c03f612131e/download http://localhost:4000/bitstreams/cdd5859e-21d4-4bf0-a68f-d25a0c50e058/download |
| bitstream.checksum.fl_str_mv |
03de826a7ba30b30f95ba9233c6ed790 4f568215f5daada3167c3ee947999d14 447cabd010927c53ac9053613599385b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
DSpace Started with Docker Compose |
| repository.mail.fl_str_mv |
dspace-help@myu.edu |
| _version_ |
1866417754248052736 |