|
|
|
|
LEADER |
00000nam a22000004a 4500 |
001 |
18164 |
003 |
AR_CdUFM |
005 |
20201104102426.0 |
006 |
a|||||r|||| 00| 0 |
007 |
ta |
008 |
170808s2017 ag ||||| |||| 00| 0 spa d |
040 |
|
|
|a AR_CdUFM
|c AR_CdUFM
|
100 |
1 |
|
|9 21622
|a Di Paolo, Luciano Elias,
|d 1983-
|
245 |
1 |
0 |
|a Clasificación de cultivos en la provincia de Buenos Aires mediante la utilización de imágenes SAR e imágenes ópticas /
|c Luciano Elias Di Paolo.
|
260 |
|
|
|a [S.l. :
|b s.n. ],
|c 2017.
|
300 |
|
|
|a 83 hojas :
|b ilustraciones (algunas color) ;
|c 30 cm.
|
500 |
|
|
|a Maestría conjunta con el Instituto de Altos Estudios Espaciales "Mario Gulich"-CONAE.
|
502 |
|
|
|a Tesis (Magister en Aplicaciones Espaciales de Alerta y Respuesta Temprana a Emergencias)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2017.
|
504 |
|
|
|a Bibliografía : h. 82-83.
|
520 |
|
|
|a La tesis de maestría presenta tres aplicaciones obtenidas a partir de información satelital que son de interés de la administración fiscal de la Provincia de Buenos Aires: La detección remota de cultivos y estimación de su superficie cultivada, la clasificación supervisada de cultivos a través de imágenes satelitales ópticas y por último, la utilización de imágenes SAR (Radar de Apertura Sintética) para clasificar cultivos. Se utilizaron series temporales de imágenes SAR Cosmo SkyMed, Sentinel-1 A y Landsat 8 – OLI, para clasificar de manera supervisada cultivos de interés en la Provincia de Buenos Aires. Se probaron distintas combinaciones de imágenes SAR y Landsat 8 para clasificar cultivos. Se utilizaron los clasificadores de Máxima verosimilitud, Árboles de decisión (DT), “Random Forest”, “Gradient Boosted Tree”, “Support Vector Machine”, “Neural Network” para clasificar imágenes SAR con el objetivo de confeccionar mapas de cultivos en tres zonas de la provincia de Buenos Aires. Se obtuvieron precisiones de entre 89% y 92% en todas las zonas de estudio. Las clasificaciones sobre imágenes SAR obtuvieron mejores precisiones con clasificadores no paramétricos en dos de tres casos. El clasificador “Random Forest” presentó el mejor desempeño. Por último, se ha propuesto una metodología de trabajo para incorporar imágenes SAR a los productos cartográficos de la agencia de Recaudación de la provincia de Buenos Aires.
|
530 |
|
|
|a Disponible en línea.
|
540 |
|
|
|2 cc
|a Bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivar 2.5 Argentina.
|f CC BY-NC-ND
|u https://creativecommons.org/licenses/by-nc-nd/2.5/ar/
|
653 |
|
|
|a Clasificación de cultivos
|
653 |
|
|
|a SAR
|
653 |
|
|
|a Series temporales
|
653 |
|
|
|a Sentinel-1A
|
653 |
|
|
|a Cosmo SkyMed
|
653 |
|
|
|a Landsat 8
|
700 |
1 |
|
|9 21623
|a Giovaniello, Mauro Javier,
|d 1980- ,
|e director
|
700 |
|
|
|9 9603
|a Lanfri, Mario Alberto,
|d 1959-
|4 co director
|
856 |
4 |
1 |
|y Acceso a RDU-UNC
|u http://hdl.handle.net/11086/5828
|
942 |
|
|
|2
|c MG. EST.
|
945 |
|
|
|a MBO
|d 2017-08-08
|
952 |
|
|
|0 0
|1 0
|2
|4 0
|6 MGAEA_PAO
|7 0
|9 26390
|a MMA
|b MMA
|c 94
|d 2017-08-08
|e Donación del autor
|l 0
|o MGAEA PAO
|p 22934
|r 2017-08-08
|t 1
|w 2017-08-08
|y MG. EST.
|z Disponible también en línea
|u http://hdl.handle.net/11086/5828
|
999 |
|
|
|c 18164
|d 18162
|