SciELO - Scientific Electronic Library Online

 
vol.67 issue4Effect of Different Levels of Pruning and Water Application on Vegetative Growth, Yield and Berry Composition in Grapes cv. Cabernet SauvignonEvaluation of Insecticide Activity of Two Agricultural Detergents against the Long-Tailed Mealybug, Pseudococcus longispinus (Hemiptera: Pseudococcidae), in the Laboratory author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Agricultura Técnica

Print version ISSN 0365-2807

Abstract

BOCCO, Mónica; OVANDO, Gustavo; SAYAGO, Silvina  and  WILLINGTON, Enrique. Modelos de Redes Neuronales para la Clasificación de Cobertura del Suelo a Partir de Imágenes Satelitales. Agric. Téc. [online]. 2007, vol.67, n.4, pp. 414-421. ISSN 0365-2807.  http://dx.doi.org/10.4067/S0365-28072007000400009.

Los datos de cobertura de suelo representan información ambiental clave para aplicaciones científicas y políticas, por esto su clasificación a partir de imágenes satelitales es importante. Las redes neuronales (NN) constituyen una herramienta valiosa para clasificar imágenes satelitales pues no requieren hipótesis sobre la distribución de los datos. Los objetivos de este trabajo fueron desarrollar modelos de NN para clasificar datos de cobertura de suelo a partir de información proveniente de imágenes satelitales y evaluarlos cuando se utilizan diferentes variables de entrada. Se utilizaron imágenes satelitales MODIS-MYD13Q1 y datos de 85 parcelas en Córdoba (Argentina). Se diseñaron cinco NN del tipo perceptrón multicapa feed-forward. Cuatro de ellas recibieron como patrones de entrada valores de NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), de reflectancias en la bandas roja (RED) y en infrarroja cercana (NIR), respectivamente. La quinta NN tuvo como valores de entrada las reflectancias RED y NIR. La validación, permitió concluir que todos los modelos presentan un buen desempeño. El modelo que muestra mejor comportamiento es aquel que considera conjuntamente valores de reflectancias RED y NIR, cuya precisión en la clasificación es del 93% con un estadístico Kappa excelente. Las redes construidas individualmente a partir de valores de NDVI y EVI tienen un comportamiento similar (86 y 83% de exactitud, respectivamente), con estadísticos Kappa  muy bueno y bueno, respectivamente. Las NN que incluyen sólo valores de RED o NIR presentaron los menores porcentajes de exactitud (76 y 81%, respectivamente) con índices Kappa regular y bueno, respectivamente.

Keywords : modelación; redes neuronales backpropagation; teledetección; cultivos-suelo desnudo.

        · abstract in English     · text in English     · pdf in English