Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo

Se destaca la limitación de los métodos manuales y se propone el uso de imágenes satelitales, especialmente del sensor Sentinel-2, para realizar un seguimiento eficiente. El estudio se centra en el conjunto de datos EuroSAT, utilizando modelos de aprendizaje profundo para clasificar diez categorías...

Full description

Autores:
Castaño Ramírez, Juan Sebastian
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.umng.edu.co:10654/47428
Acceso en línea:
https://hdl.handle.net/10654/47428
Palabra clave:
TELEDETECCION
IMAGENES DE SATELITE
APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL)
CLASIFICACION DE LA TIERRA y COBERTURA DE LA TIERRA
Satélite
Imágenes
Aprendizaje profundo
Bandas multiespectrales
Capas
Redes neuronales
Satellite
Images
Deep learning
Multispectral bands
Layers
Neural networks
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIMILTAR2_db2fbd4a13c9976e10aa308756d75ad4
oai_identifier_str oai:repository.umng.edu.co:10654/47428
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo
dc.title.eng.fl_str_mv Land cover recognition using satellite images and deep learning
title Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo
spellingShingle Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo
TELEDETECCION
IMAGENES DE SATELITE
APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL)
CLASIFICACION DE LA TIERRA y COBERTURA DE LA TIERRA
Satélite
Imágenes
Aprendizaje profundo
Bandas multiespectrales
Capas
Redes neuronales
Satellite
Images
Deep learning
Multispectral bands
Layers
Neural networks
title_short Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo
title_full Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo
title_fullStr Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo
title_full_unstemmed Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo
title_sort Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundo
dc.creator.fl_str_mv Castaño Ramírez, Juan Sebastian
dc.contributor.advisor.none.fl_str_mv Renza, Diego
dc.contributor.author.none.fl_str_mv Castaño Ramírez, Juan Sebastian
dc.contributor.other.none.fl_str_mv Ballesteros, Dora María
dc.subject.lemb.spa.fl_str_mv TELEDETECCION
IMAGENES DE SATELITE
APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL)
CLASIFICACION DE LA TIERRA y COBERTURA DE LA TIERRA
topic TELEDETECCION
IMAGENES DE SATELITE
APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL)
CLASIFICACION DE LA TIERRA y COBERTURA DE LA TIERRA
Satélite
Imágenes
Aprendizaje profundo
Bandas multiespectrales
Capas
Redes neuronales
Satellite
Images
Deep learning
Multispectral bands
Layers
Neural networks
dc.subject.proposal.spa.fl_str_mv Satélite
Imágenes
Aprendizaje profundo
Bandas multiespectrales
Capas
Redes neuronales
dc.subject.proposal.eng.fl_str_mv Satellite
Images
Deep learning
Multispectral bands
Layers
Neural networks
description Se destaca la limitación de los métodos manuales y se propone el uso de imágenes satelitales, especialmente del sensor Sentinel-2, para realizar un seguimiento eficiente. El estudio se centra en el conjunto de datos EuroSAT, utilizando modelos de aprendizaje profundo para clasificar diez categorías de cobertura terrestre. Se plantea un problema que destaca la necesidad de seleccionar y evaluar bandas de imágenes multiespectrales para mejorar el rendimiento de los modelos.
publishDate 2023
dc.date.issued.none.fl_str_mv 2023-10-17
dc.date.accessioned.none.fl_str_mv 2025-09-10T15:55:51Z
dc.date.available.none.fl_str_mv 2025-09-10T15:55:51Z
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.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 https://hdl.handle.net/10654/47428
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.none.fl_str_mv repourl:https://repository.umng.edu.co
url https://hdl.handle.net/10654/47428
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.umng.edu.co
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv QuinnRadich, «¿Qué es un modelo de aprendizaje automático?», Microsoft Learn, 11 de febrero de 2023. https://learn.microsoft.com/es-es/windows/ai/windows-ml/what-is-a-machine-learning-model
Gonzaga Aguilar, C. (2014). Aplicación de índices de vegetación derivados de imágenes satelitales Landsat 7 ETM+ y ASTER para la caracterización de la cobertura vegetal en la zona centro de la provincia de Loja, Ecuador (Doctoral dissertation, Universidad Nacional de La Plata).
«Metodología fundamental para la ciencia de datos». https://www.ibm.com/downloads/cas/6RZMKDN8 (accedido 12 de febrero de 2023).
J. Martínez Llamas, "Reconocimiento de imágenes mediante redes neuronales convolucionales", Archivo Digital UPM, 2018.
«¿Qué son las redes neuronales convolucionales? | IBM». https://www.ibm.com/mx-es/topics/convolutional-neural-networks#:~:text=La%20capa%20convolucional%20es%20el,matriz%20de%20p%C3%ADxeles%20en%203D.
«Pooling layer». http://sintesis.ugto.mx/WintemplaWeb/01Neural%20Lab/09Convolutional%20NN/06Pooling/index.htm
«Fully connected layer». http://sintesis.ugto.mx/WintemplaWeb/01Neural%20Lab/09Convolutional%20NN/02Fully%20Connected/index.htm
«Transfer learning», MATLAB & Simulink. https://la.mathworks.com/discovery/transfer-learning.html
«¿Qué es ImageNet?», ImageNet. https://www.image-net.org/about.php
K. Team, «Keras documentation: keras applications». https://keras.io/api/applications/
K. Simonyan y A. Zisserman, «Very deep convolutional networks for Large-Scale image recognition», Computer Vision and Pattern Recognition, sep. 2014, [En línea]. Disponible en: http://export.arxiv.org/pdf/1409.1556
K. He, X. Zhang, S. Ren, y J. Sun, «Deep Residual Learning for Image Recognition», arXiv (Cornell University), dic. 2015, doi: 10.48550/arxiv.1512.03385.
M. Tan y Q. V. Le, «EfficientNetV2: Smaller models and faster training», arXiv (Cornell University), abr. 2021, doi: 10.48550/arxiv.2104.00298.
A. Howard et al., «MobileNets: efficient convolutional neural networks for mobile vision applications», arXiv (Cornell University), abr. 2017, [En línea]. Disponible en: http://export.arxiv.org/pdf/1704.04861
F. Chollet, «XCeption: Deep learning with depthwise separable convolutions», arXiv (Cornell University), oct. 2016, [En línea]. Disponible en: http://export.arxiv.org/pdf/1610.02357
Rauch-Hindin, W. B. (1989). Aplicaciones de la inteligencia artificial en la actividad empresarial, la ciencia y la industria. Ediciones Díaz de Santos.
"What is Computer Vision? | IBM". IBM - Deutschland | IBM. https://www.ibm.com/topics/computer-vision (accedido el 8 de octubre de 2022).
A. Vali, S. Comai y M. Matteucci, "Deep Learning for Land Use and Land Cover Classification Based on Hyperspectral and Multispectral Earth Observation Data: A Review", Remote Sensing, vol. 12, n.º 15, p. 2495, agosto de 2020. Accedido el 8 de octubre de 2022. [En línea]. Disponible: https://doi.org/10.3390/rs12152495
O. Sefrin, F. M. Riese y S. Keller, "Deep Learning for Land Cover Change Detection", Remote Sensing, vol. 13, n.º 1, p. 78, diciembre de 2020. Accedido el 8 de octubre de 2022. [En línea]. Disponible: https://doi.org/10.3390/rs13010078
P. Helber, B. Bischke, A. Dengel y D. Borth, "EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover Classification", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 12, n.º 7, pp. 2217–2226, julio de 2019. Accedido el 8 de octubre de 2022. [En línea]. Disponible: https://doi.org/10.1109/jstars.2019.2918242
GISGeography, «Sentinel 2 Bands and Combinations», GIS Geography, jun. 2022, [En línea]. Disponible en: https://gisgeography.com/sentinel-2-bands-combinations/
Gisadminbeers, «Combinaciones RGB de imágenes satélite Landsat y Sentinel - Gis&Beers», Gis&Beers, 24 de septiembre de 2021. https://www.gisandbeers.com/combinacion-de-imagenes-satelite-landsat-sentinel-rgb/#:~:text=Usos%20del%20suelo%2Fmasas%20de%20agua%3A%20Landsat%208%20%285%2C6%2C4%29%2C,vegetaci%C3%B3n%20sana%3A%20Landsat%208%20%285%2C6%2C2%29%2C%20Sentinel%202B%20%288A%2C11%2C2%29
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2017). Dive into deep learning. Retrieved from https://d2l.ai
“Residual Networks (ResNet) - Deep Learning - GeeksforGeeks”. GeeksforGeeks. Accedido el 3 de septiembre de 2023. [En línea]. Disponible: https://www.geeksforgeeks.org/residual-networks-resnet-deep-learning/
A. Jadon, A. Varshney y M. S. Ansari, “Low-Complexity High-Performance Deep Learning Model for Real-Time Low-Cost Embedded Fire Detection Systems”, Procedia Comput. Sci., vol. 171, pp. 418–426, 2020. doi: 10.1016/j.procs.2020.04.044.
Tan, M. and Le, Q.V. (2020) EfficientNet: Rethinking model scaling for Convolutional Neural Networks, arXiv.org. Available at: https://arxiv.org/abs/1905.11946
V. Alhassan, C. J. Henry, S. Ramanna, and C. D. Storie, “A deep learning framework for land-use/land-cover mapping and analysis using multispectral satellite imagery”, Neural Computing and Applications, vol. 32, no. 12, pp. 8529–8544, Jul. 2019, doi: 10.1007/s00521-019-04349-9.
A. Unnikrishnan, V. Sowmya, and K. P. Soman, “Deep learning architectures for land cover classification using red and near-infrared satellite images”, Multimedia Tools and Applications, vol. 78, no. 13, pp. 18379–18394, Jan. 2019, doi: 10.1007/s11042-019-7179-2.
A. F. Chavarro, D. Renza, and D. M. Ballesteros, “Influence of Hyperparameters in Deep Learning Models for Coffee Rust Detection”, Applied Sciences, vol. 13, no. 7, p. 4565, Apr. 2023, doi: 10.3390/app13074565.
César G. Pachón, Dora M. Ballesteros, Diego Renza, “An efficient deep learning model using network pruning for fake banknote recognition”, Expert Systems with Applications, Volume 233, 2023, 120961, ISSN 0957-4174.
Dora M. Ballesteros, Yohanna Rodriguez-Ortega, Diego Renza, Gonzalo Arce, “Deep4SNet: deep learning for fake speech classification,”Expert Systems with Applications, Volume 184,2021, 115465, ISSN 0957-4174.
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.*.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
http://purl.org/coar/access_right/c_abf2
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 Ingeniería en Telecomunicaciones
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 https://repository.umng.edu.co/bitstreams/cc24f6af-4b06-4409-9d1f-78d21e83d91c/download
https://repository.umng.edu.co/bitstreams/d2eb2a7d-3401-4ef4-9c2d-a5e7d2ae8b6b/download
https://repository.umng.edu.co/bitstreams/2ee5d113-d17a-49a1-83b2-94a403afa704/download
bitstream.checksum.fl_str_mv 84e7432c0acb299e1c14a71ba2c4b91e
a609d7e369577f685ce98c66b903b91b
0857dbcf1140613be9e3d4bd6b75c86e
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1851052812446728192
spelling Renza, DiegoCastaño Ramírez, Juan SebastianIngeniero en TelecomunicacionesBallesteros, Dora María2025-09-10T15:55:51Z2025-09-10T15:55:51Z2023-10-17https://hdl.handle.net/10654/47428instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.umng.edu.coSe destaca la limitación de los métodos manuales y se propone el uso de imágenes satelitales, especialmente del sensor Sentinel-2, para realizar un seguimiento eficiente. El estudio se centra en el conjunto de datos EuroSAT, utilizando modelos de aprendizaje profundo para clasificar diez categorías de cobertura terrestre. Se plantea un problema que destaca la necesidad de seleccionar y evaluar bandas de imágenes multiespectrales para mejorar el rendimiento de los modelos.It emphasizes the limitations of manual methods and proposes the use of satellite imagery, especially from the Sentinel-2 sensor, for efficient monitoring. The study focuses on the EuroSAT dataset, using deep learning models to classify ten land cover categories. A problem is presented, highlighting the need to select and evaluate bands from multispectral images to enhance the performance of the models.Pregradoapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertohttp://purl.org/coar/access_right/c_abf2Reconocimiento de coberturas terrestres mediante imágenes de satélite y aprendizaje profundoLand cover recognition using satellite images and deep learningTELEDETECCIONIMAGENES DE SATELITEAPRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL)CLASIFICACION DE LA TIERRA y COBERTURA DE LA TIERRASatéliteImágenesAprendizaje profundoBandas multiespectralesCapasRedes neuronalesSatelliteImagesDeep learningMultispectral bandsLayersNeural networksTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería en TelecomunicacionesFacultad de IngenieríaUniversidad Militar Nueva GranadaQuinnRadich, «¿Qué es un modelo de aprendizaje automático?», Microsoft Learn, 11 de febrero de 2023. https://learn.microsoft.com/es-es/windows/ai/windows-ml/what-is-a-machine-learning-modelGonzaga Aguilar, C. (2014). Aplicación de índices de vegetación derivados de imágenes satelitales Landsat 7 ETM+ y ASTER para la caracterización de la cobertura vegetal en la zona centro de la provincia de Loja, Ecuador (Doctoral dissertation, Universidad Nacional de La Plata).«Metodología fundamental para la ciencia de datos». https://www.ibm.com/downloads/cas/6RZMKDN8 (accedido 12 de febrero de 2023).J. Martínez Llamas, "Reconocimiento de imágenes mediante redes neuronales convolucionales", Archivo Digital UPM, 2018.«¿Qué son las redes neuronales convolucionales? | IBM». https://www.ibm.com/mx-es/topics/convolutional-neural-networks#:~:text=La%20capa%20convolucional%20es%20el,matriz%20de%20p%C3%ADxeles%20en%203D.«Pooling layer». http://sintesis.ugto.mx/WintemplaWeb/01Neural%20Lab/09Convolutional%20NN/06Pooling/index.htm«Fully connected layer». http://sintesis.ugto.mx/WintemplaWeb/01Neural%20Lab/09Convolutional%20NN/02Fully%20Connected/index.htm«Transfer learning», MATLAB & Simulink. https://la.mathworks.com/discovery/transfer-learning.html«¿Qué es ImageNet?», ImageNet. https://www.image-net.org/about.phpK. Team, «Keras documentation: keras applications». https://keras.io/api/applications/K. Simonyan y A. Zisserman, «Very deep convolutional networks for Large-Scale image recognition», Computer Vision and Pattern Recognition, sep. 2014, [En línea]. Disponible en: http://export.arxiv.org/pdf/1409.1556K. He, X. Zhang, S. Ren, y J. Sun, «Deep Residual Learning for Image Recognition», arXiv (Cornell University), dic. 2015, doi: 10.48550/arxiv.1512.03385.M. Tan y Q. V. Le, «EfficientNetV2: Smaller models and faster training», arXiv (Cornell University), abr. 2021, doi: 10.48550/arxiv.2104.00298.A. Howard et al., «MobileNets: efficient convolutional neural networks for mobile vision applications», arXiv (Cornell University), abr. 2017, [En línea]. Disponible en: http://export.arxiv.org/pdf/1704.04861F. Chollet, «XCeption: Deep learning with depthwise separable convolutions», arXiv (Cornell University), oct. 2016, [En línea]. Disponible en: http://export.arxiv.org/pdf/1610.02357Rauch-Hindin, W. B. (1989). Aplicaciones de la inteligencia artificial en la actividad empresarial, la ciencia y la industria. Ediciones Díaz de Santos."What is Computer Vision? | IBM". IBM - Deutschland | IBM. https://www.ibm.com/topics/computer-vision (accedido el 8 de octubre de 2022).A. Vali, S. Comai y M. Matteucci, "Deep Learning for Land Use and Land Cover Classification Based on Hyperspectral and Multispectral Earth Observation Data: A Review", Remote Sensing, vol. 12, n.º 15, p. 2495, agosto de 2020. Accedido el 8 de octubre de 2022. [En línea]. Disponible: https://doi.org/10.3390/rs12152495O. Sefrin, F. M. Riese y S. Keller, "Deep Learning for Land Cover Change Detection", Remote Sensing, vol. 13, n.º 1, p. 78, diciembre de 2020. Accedido el 8 de octubre de 2022. [En línea]. Disponible: https://doi.org/10.3390/rs13010078P. Helber, B. Bischke, A. Dengel y D. Borth, "EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover Classification", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 12, n.º 7, pp. 2217–2226, julio de 2019. Accedido el 8 de octubre de 2022. [En línea]. Disponible: https://doi.org/10.1109/jstars.2019.2918242GISGeography, «Sentinel 2 Bands and Combinations», GIS Geography, jun. 2022, [En línea]. Disponible en: https://gisgeography.com/sentinel-2-bands-combinations/Gisadminbeers, «Combinaciones RGB de imágenes satélite Landsat y Sentinel - Gis&Beers», Gis&Beers, 24 de septiembre de 2021. https://www.gisandbeers.com/combinacion-de-imagenes-satelite-landsat-sentinel-rgb/#:~:text=Usos%20del%20suelo%2Fmasas%20de%20agua%3A%20Landsat%208%20%285%2C6%2C4%29%2C,vegetaci%C3%B3n%20sana%3A%20Landsat%208%20%285%2C6%2C2%29%2C%20Sentinel%202B%20%288A%2C11%2C2%29Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2017). Dive into deep learning. Retrieved from https://d2l.ai“Residual Networks (ResNet) - Deep Learning - GeeksforGeeks”. GeeksforGeeks. Accedido el 3 de septiembre de 2023. [En línea]. Disponible: https://www.geeksforgeeks.org/residual-networks-resnet-deep-learning/A. Jadon, A. Varshney y M. S. Ansari, “Low-Complexity High-Performance Deep Learning Model for Real-Time Low-Cost Embedded Fire Detection Systems”, Procedia Comput. Sci., vol. 171, pp. 418–426, 2020. doi: 10.1016/j.procs.2020.04.044.Tan, M. and Le, Q.V. (2020) EfficientNet: Rethinking model scaling for Convolutional Neural Networks, arXiv.org. Available at: https://arxiv.org/abs/1905.11946V. Alhassan, C. J. Henry, S. Ramanna, and C. D. Storie, “A deep learning framework for land-use/land-cover mapping and analysis using multispectral satellite imagery”, Neural Computing and Applications, vol. 32, no. 12, pp. 8529–8544, Jul. 2019, doi: 10.1007/s00521-019-04349-9.A. Unnikrishnan, V. Sowmya, and K. P. Soman, “Deep learning architectures for land cover classification using red and near-infrared satellite images”, Multimedia Tools and Applications, vol. 78, no. 13, pp. 18379–18394, Jan. 2019, doi: 10.1007/s11042-019-7179-2.A. F. Chavarro, D. Renza, and D. M. Ballesteros, “Influence of Hyperparameters in Deep Learning Models for Coffee Rust Detection”, Applied Sciences, vol. 13, no. 7, p. 4565, Apr. 2023, doi: 10.3390/app13074565.César G. Pachón, Dora M. Ballesteros, Diego Renza, “An efficient deep learning model using network pruning for fake banknote recognition”, Expert Systems with Applications, Volume 233, 2023, 120961, ISSN 0957-4174.Dora M. Ballesteros, Yohanna Rodriguez-Ortega, Diego Renza, Gonzalo Arce, “Deep4SNet: deep learning for fake speech classification,”Expert Systems with Applications, Volume 184,2021, 115465, ISSN 0957-4174.Calle 100ORIGINALCastañoRamírezJuanSebastian2023.pdfCastañoRamírezJuanSebastian2023.pdfTrabajo de gradoapplication/pdf2125267https://repository.umng.edu.co/bitstreams/cc24f6af-4b06-4409-9d1f-78d21e83d91c/download84e7432c0acb299e1c14a71ba2c4b91eMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-83420https://repository.umng.edu.co/bitstreams/d2eb2a7d-3401-4ef4-9c2d-a5e7d2ae8b6b/downloada609d7e369577f685ce98c66b903b91bMD52THUMBNAILCastañoRamírezJuanSebastian2023.pdf.jpgCastañoRamírezJuanSebastian2023.pdf.jpgIM Thumbnailimage/jpeg8222https://repository.umng.edu.co/bitstreams/2ee5d113-d17a-49a1-83b2-94a403afa704/download0857dbcf1140613be9e3d4bd6b75c86eMD5310654/47428oai:repository.umng.edu.co:10654/474282025-09-11 03:02:03.583http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repository.umng.edu.coRepositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares