Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022
El presente artículo muestra los cambios de cobertura de bosque en inmediaciones de los departamentos de Meta y Caquetá durante el periodo de 2003 al 2022, con el fin de identificar cual ha sido la evolución de las zonas de vegetación y por medio de clasificación supervisada y el método random fores...
- Autores:
-
Ortegón Piragauta, Luis Miguel
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Militar Nueva Granada
- Repositorio:
- Repositorio UMNG
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unimilitar.edu.co:10654/44252
- Acceso en línea:
- http://hdl.handle.net/10654/44252
- Palabra clave:
- DEFORESTACION
COBERTURA VEGETAL
ALGORITMOS (COMPUTADORES)
Random Forest
Machine learning
Deforestation
Supervised classification
Map algebra
Landsat
Random Forest
Deforestacion
Clasificacion supervisada
Algebra de mapas
Landsat
Machine learning
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
| id |
UNIMILTAR2_c33d78e477bb63ccea527b6475e001bf |
|---|---|
| oai_identifier_str |
oai:repository.unimilitar.edu.co:10654/44252 |
| network_acronym_str |
UNIMILTAR2 |
| network_name_str |
Repositorio UMNG |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022 |
| dc.title.translated.spa.fl_str_mv |
Detection of changes in forest cover in the surroundings of the departments of Meta and Guaviare using the random forest algorithm for the period from 2003 to 2022 |
| title |
Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022 |
| spellingShingle |
Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022 DEFORESTACION COBERTURA VEGETAL ALGORITMOS (COMPUTADORES) Random Forest Machine learning Deforestation Supervised classification Map algebra Landsat Random Forest Deforestacion Clasificacion supervisada Algebra de mapas Landsat Machine learning |
| title_short |
Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022 |
| title_full |
Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022 |
| title_fullStr |
Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022 |
| title_full_unstemmed |
Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022 |
| title_sort |
Detección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022 |
| dc.creator.fl_str_mv |
Ortegón Piragauta, Luis Miguel |
| dc.contributor.author.none.fl_str_mv |
Ortegón Piragauta, Luis Miguel |
| dc.subject.lemb.spa.fl_str_mv |
DEFORESTACION COBERTURA VEGETAL ALGORITMOS (COMPUTADORES) |
| topic |
DEFORESTACION COBERTURA VEGETAL ALGORITMOS (COMPUTADORES) Random Forest Machine learning Deforestation Supervised classification Map algebra Landsat Random Forest Deforestacion Clasificacion supervisada Algebra de mapas Landsat Machine learning |
| dc.subject.keywords.spa.fl_str_mv |
Random Forest Machine learning Deforestation Supervised classification Map algebra Landsat |
| dc.subject.proposal.spa.fl_str_mv |
Random Forest Deforestacion Clasificacion supervisada Algebra de mapas Landsat Machine learning |
| description |
El presente artículo muestra los cambios de cobertura de bosque en inmediaciones de los departamentos de Meta y Caquetá durante el periodo de 2003 al 2022, con el fin de identificar cual ha sido la evolución de las zonas de vegetación y por medio de clasificación supervisada y el método random forest, el cual se encuentra dentro de los algoritmos de machine learning, debido a sus grandes capacidades de clasificación. Para el desarrollo de dicha investigación, se utilizan dos imágenes satelitales de la constelación satelital Landsat una correspondiente al año 2003 y la otra al año 2022, los cuales son de descarga gratuita por medio de la página web del Servicio Geológico de los Estados Unidos. Por medio de algebra de mapas y correctas prácticas de preprocesamiento y post-procesamiento de imágenes, estas se corrigen para posteriormente crear muestras de entrenamiento, las cuales tienen como fin alimentar al algoritmo y así obtener una clasificación de coberturas confiable. El resultado final arroja una precisión general del 93% y un coeficiente Kappa de 0.89, obteniendo así que del área analizada, el departamento del Meta es el que presenta mayor conservación de bosque, al contrario del departamento del Guaviare el cual arroja el área de mayor deforestación. |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022-12-05 |
| dc.date.accessioned.none.fl_str_mv |
2023-06-02T18:26:36Z |
| dc.date.available.none.fl_str_mv |
2023-06-02T18:26:36Z |
| dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Especialización |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.*.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10654/44252 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Militar Nueva Granada |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Militar Nueva Granada |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unimilitar.edu.co |
| url |
http://hdl.handle.net/10654/44252 |
| identifier_str_mv |
instname:Universidad Militar Nueva Granada reponame:Repositorio Institucional Universidad Militar Nueva Granada repourl:https://repository.unimilitar.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Anand, A. (2017). Processing and Classification of Remotely Sensed Images. Deepanshu, B. (2015). LISTEN DATA. Retrieved from A COMPLETE GUIDE TO RANDOM FOREST IN R: https://www.listendata.com/2014/11/random-forestwith-r.html FRANCISCO JAVIER ARIZA LÓPEZ, J. R. (2018). CONTROL ESTRICTO DE MATRICES DE CONFUSIÓN POR MEDIO DE DISTRIBUCIONES MULTINOMIALES. geofocus, 226. IDEAM. (2015). IDEAM. Retrieved from http://www.ideam.gov.co/web/bosques/deforestacion-colombia L, J. C. (2008). Evaluación de la concordancia inter-observador en investigación pediátrica: Coeficiente de Kappa. Revista Chilena de Pediatria , 79. Monterroso Tobar, M. F. (2013, 06 26). GUIA PRACTICA: CLASIFICACIÓN DE IMAGENES SATELITALES. Retrieved from https://arcgeek.com/descargas/ClasImMF.pdf PALACIOS JURADO, H., & MARTÍN BUENO, M. (2004). LA TELEDETECCIÓN EN ARQUEOLOGÍA:. MANUEL , 331-361. R.W. Fitzgerald, B. L. (1994). Assessing the classification accuracy of multisource remote sensing data. Remote Sensing of Environment, 368. RODRIGUEZ CHAVEZ, O. E., & ARREDONDO BAUTISTA, H. A. (2005). MANUAL PARA EL MANEJO Y PROCESAMIENTO DE IMÁGENES. PONTIFICIA UNIVERSIDAD JAVERIANA , 225. Romero, H. G. (2014). Deforestación en Colombia: Retos y perspectivas. FEDESARROLLO, 28. Sayler, K. (2021). Landsat 4-7. USGS, 44 Shetty, B. (2022). Supervised Machine Learning Classification: An In-Depth Guide. built in. WWF. (2018, febrero 26). wwf. Retrieved from https://www.wwf.org.co/?323725/Glosario-ambiental--Deforestacion-odegradacion-Reforestacion-o-restauracion-Resolvamos-dudas |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.accessrights.*.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.spa.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.local.spa.fl_str_mv |
Acceso abierto |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 Attribution-NonCommercial-NoDerivatives 4.0 International Acceso abierto |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
applicaction/pdf |
| dc.coverage.sede.spa.fl_str_mv |
Calle 100 |
| dc.publisher.program.spa.fl_str_mv |
Especialización en Geomática |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Militar Nueva Granada |
| institution |
Universidad Militar Nueva Granada |
| bitstream.url.fl_str_mv |
http://repository.unimilitar.edu.co/bitstream/10654/44252/1/ortegonpiragautaluismiguel2022.pdf http://repository.unimilitar.edu.co/bitstream/10654/44252/2/license.txt |
| bitstream.checksum.fl_str_mv |
2f4b16e428589b66c7c7e179f110c855 a609d7e369577f685ce98c66b903b91b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional UMNG |
| repository.mail.fl_str_mv |
bibliodigital@unimilitar.edu.co |
| _version_ |
1837098406173999104 |
| spelling |
Ortegón Piragauta, Luis MiguelEspecialista en Geomática2023-06-02T18:26:36Z2023-06-02T18:26:36Z2022-12-05http://hdl.handle.net/10654/44252instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coEl presente artículo muestra los cambios de cobertura de bosque en inmediaciones de los departamentos de Meta y Caquetá durante el periodo de 2003 al 2022, con el fin de identificar cual ha sido la evolución de las zonas de vegetación y por medio de clasificación supervisada y el método random forest, el cual se encuentra dentro de los algoritmos de machine learning, debido a sus grandes capacidades de clasificación. Para el desarrollo de dicha investigación, se utilizan dos imágenes satelitales de la constelación satelital Landsat una correspondiente al año 2003 y la otra al año 2022, los cuales son de descarga gratuita por medio de la página web del Servicio Geológico de los Estados Unidos. Por medio de algebra de mapas y correctas prácticas de preprocesamiento y post-procesamiento de imágenes, estas se corrigen para posteriormente crear muestras de entrenamiento, las cuales tienen como fin alimentar al algoritmo y así obtener una clasificación de coberturas confiable. El resultado final arroja una precisión general del 93% y un coeficiente Kappa de 0.89, obteniendo así que del área analizada, el departamento del Meta es el que presenta mayor conservación de bosque, al contrario del departamento del Guaviare el cual arroja el área de mayor deforestación.This article shows the changes in forest cover in part of the departments of Meta and Caquetá during the period from 2003 to 2022, in order to identify what has been the evolution of the vegetation zones and through supervised classification and the random forest method, which is within the machine learning algorithms, due to its great classification capabilities. For the development of this research, two satellite images of the Landsat satellite constellation are used, one corresponding to the year 2003 and the other to the year 2022, which are free to download through the website of the United States Geological Survey. Using map algebra and correct image pre-processing and post-processing practices, these are corrected to later create training samples, which are intended to feed the algorithm and thus obtain a reliable coverage classification. The final result shows a general precision of 93% and a Kappa coefficient of 0.89, thus obtaining that of the analyzed area, the department of Meta is the one with the highest forest conservation, contrary to the department of Guaviare, which shows the area with the highest deforestation.Especializaciónapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertoDetección de cambios de cobertura de bosque en inmediaciones de los departamentos del Meta y Guaviare utilizando el algoritmo random forest para el periodo del 2003 al 2022Detection of changes in forest cover in the surroundings of the departments of Meta and Guaviare using the random forest algorithm for the period from 2003 to 2022DEFORESTACIONCOBERTURA VEGETALALGORITMOS (COMPUTADORES)Random ForestMachine learningDeforestationSupervised classificationMap algebraLandsatRandom ForestDeforestacionClasificacion supervisadaAlgebra de mapasLandsatMachine learningTesis/Trabajo de grado - Monografía - Especializacióninfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fEspecialización en GeomáticaFacultad de IngenieríaUniversidad Militar Nueva GranadaAnand, A. (2017). Processing and Classification of Remotely Sensed Images.Deepanshu, B. (2015). LISTEN DATA. Retrieved from A COMPLETE GUIDE TO RANDOM FOREST IN R: https://www.listendata.com/2014/11/random-forestwith-r.htmlFRANCISCO JAVIER ARIZA LÓPEZ, J. R. (2018). CONTROL ESTRICTO DE MATRICES DE CONFUSIÓN POR MEDIO DE DISTRIBUCIONES MULTINOMIALES. geofocus, 226.IDEAM. (2015). IDEAM. Retrieved from http://www.ideam.gov.co/web/bosques/deforestacion-colombiaL, J. C. (2008). Evaluación de la concordancia inter-observador en investigación pediátrica: Coeficiente de Kappa. Revista Chilena de Pediatria , 79.Monterroso Tobar, M. F. (2013, 06 26). GUIA PRACTICA: CLASIFICACIÓN DE IMAGENES SATELITALES. Retrieved from https://arcgeek.com/descargas/ClasImMF.pdfPALACIOS JURADO, H., & MARTÍN BUENO, M. (2004). LA TELEDETECCIÓN EN ARQUEOLOGÍA:. MANUEL , 331-361.R.W. Fitzgerald, B. L. (1994). Assessing the classification accuracy of multisource remote sensing data. Remote Sensing of Environment, 368.RODRIGUEZ CHAVEZ, O. E., & ARREDONDO BAUTISTA, H. A. (2005). MANUAL PARA EL MANEJO Y PROCESAMIENTO DE IMÁGENES. PONTIFICIA UNIVERSIDAD JAVERIANA , 225.Romero, H. G. (2014). Deforestación en Colombia: Retos y perspectivas. FEDESARROLLO, 28.Sayler, K. (2021). Landsat 4-7. USGS, 44Shetty, B. (2022). Supervised Machine Learning Classification: An In-Depth Guide. built in.WWF. (2018, febrero 26). wwf. Retrieved from https://www.wwf.org.co/?323725/Glosario-ambiental--Deforestacion-odegradacion-Reforestacion-o-restauracion-Resolvamos-dudasCalle 100ORIGINALortegonpiragautaluismiguel2022.pdfortegonpiragautaluismiguel2022.pdfArtículoapplication/pdf880896http://repository.unimilitar.edu.co/bitstream/10654/44252/1/ortegonpiragautaluismiguel2022.pdf2f4b16e428589b66c7c7e179f110c855MD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-83420http://repository.unimilitar.edu.co/bitstream/10654/44252/2/license.txta609d7e369577f685ce98c66b903b91bMD52open access10654/44252oai:repository.unimilitar.edu.co:10654/442522023-06-02 13:26:37.998open accessRepositorio Institucional UMNGbibliodigital@unimilitar.edu.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 |