| dc.contributor | Vargas Cardona, Hernán Darío | |
| dc.creator | Bastidas Torres, David Ramiro | |
| dc.date | 2024-06-07T19:48:24Z | |
| dc.date | 2024-06-07T19:48:24Z | |
| dc.date | 2021 | |
| dc.date.accessioned | 2026-10-15T17:13:09Z | |
| dc.date.available | 2026-10-15T17:13:09Z | |
| dc.identifier | https://vitela.javerianacali.edu.co/handle/11522/1980 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12032/190342 | |
| dc.description | En la actualidad, la mala planificación en la agricultura es causante del 80 % de la deforestación mundial, debido al alto impacto que genera ésta actividad sobre el suelo. En el departamento de Nariño, los problemas ambientales vienen acompañados con problemas en la productividad, originada en una mayoría por la falta de tecnificación. La incorporación de nuevas tecnologías surge como solución para mejorarla planeación de cultivos fundamental en el desarrollo de una agricultura sostenible. Dentro de estas tecnologías las imágenes satelitales multiespectrales (MSI) con el uso del índice de vegetación normalizado (NDVI), han tomado una relevancia significativa debido a que proveen información sobre la vigorosidad de la vegetación, la cual puede ayudar al análisis de diferentes variables en los cultivos. La principal limitación de las imágenes MSI se da en condiciones de alta nubosidad, en donde el satélite es incapaz de captar información por su sensor óptico, esto impide utilizar dicha información de manera continua, clave en la vigilancia de cultivos. En esta investigación se da como solución de este problema utilizar Generative adversarial networks (GANs) mediante su técnica de translación de imagen a imagen. Las arquitecturas Unet, Unet++ y ResNet fueron implementadas como generador de la GAN, con el objetivo de identificar que combinación presenta mejores resultados en las métricas SSIM (Structural Similarity Index), RMSE(rootmeansquare error), PSNR (Peak signaltonoise ratio) y SAM (spectral angle mapper range). Como resultado destacado, las redes Unet++ superan las ResNet y el modelo UNet pues reducen el RMSE de 0.028 a 0.015. | |
| dc.description | Currently, poor agricultural planning is responsible for 80 % of the world’s deforestation, due to the high impact of this activity on the soil. Nariño department, environmental problems are accompanied by productivity problems, mostly caused by the lack of technology. The incorporation of new technologies has emerged as a solution to improve crop planning, which is fundamental for the development of sustainable agriculture. Among these technologies, multispectral satellite images (MSI) with the use of the normalized vegetation index (NDVI) have become significantly relevant because they provide information on vegetation vigorousness, which can help in the analysis of different crop variables. The main limitation of MSI images occurs in conditions of high cloud cover, where the satellite is unable to capture information by its optical sensor, this prevents the use of such information continuously, which is important in crop monitoring. In this research, the solution to this problem is to use Generative adversarial networks (GANs) through its imagetoimage translation technique. The Unet, Unet++ and ResNet architectures were implemented as GAN generators, with the objective of identifying which combination presents the best results in the metrics SSIM (Structural Similarity Index), RMSE (rootmeansquare error), PSNR (Peak signaltonoise ratio) y SAM (spectral angle mapper range). As an outstanding result, the Unet++ networks outperform ResNet and the UNet model as they reduce the RMSE from 0.028 to 0.015. | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Pontificia Universidad Javeriana Cali | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.subject | Fusión | |
| dc.subject | índice de vegetación normalizado (NDVI) | |
| dc.subject | Imágenes multiespectrales | |
| dc.subject | Redes neuronales generativas adversarias | |
| dc.subject | Imágenes satelitales SAR | |
| dc.subject | Autoencoders | |
| dc.title | Estimación de imágenes NDVI mediante fusión de imágenes satelitales multiespectrales y SAR para la planeación agrícola | |
| dc.type | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type | Tesis/Trabajo de grado - Monografía - Maestría | |
| dc.type | https://purl.org/redcol/resource_type/TM | |
