Estimación y caracterización de la cobertura vegetal basado en las aplicaciones de las aeronaves no tripuladas UAS

dc.contributor.advisorSierra Parada, Ronal Jackson
dc.contributor.authorOrdoñez Vanegas, Laura Camila
dc.contributor.authorPedraza Torres, Ivan David
dc.contributor.corporatenameUniversidad Santo Tomásspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001431760spa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0002059055spa
dc.contributor.googlescholarhttps://scholar.google.com/citations?hl=es&user=0793qhcwBoMCspa
dc.contributor.orcidhttps://orcid.org/0000-0002-9206-5682spa
dc.coverage.campusCRAI-USTA Bogotáspa
dc.date.accessioned2023-04-25T15:01:04Z
dc.date.available2023-04-25T15:01:04Z
dc.date.issued2023-04-24
dc.descriptionEn la actualidad, diversos estudios demuestran la eficacia de las aeronaves no tripuladas (UAS) en la estimación y caracterización de la cobertura vegetal, puesto que estas herramientas permiten la obtención de datos precisos a diferentes escalas espaciales y temporales, lo que las convierte en una valiosa herramienta para la monitorización de la vegetación. En este sentido, el propósito de esta investigación es destacar la importancia de los UAV en estudios ambientales, así como su desarrollo y avances en los últimos años. La metodología de estudio se basó en un análisis de correlación de palabras clave, países y años, a través de VOSviewer y bibliometrix, usando bases de datos como Scopus y ScienceDirect, y se centró en enfoques de aplicación, como la identificación y caracterización de la cobertura vegetal y sus especies mediante la captura de imágenes multiespectrales y el uso de inteligencia artificial con UAV. Con base en lo anterior, se encontró una correlación general de palabras clave que se enfocan en aplicaciones de UAV, como aprendizaje automático, sensores remotos y árboles de decisión. También se analizaron las marcas líderes en la suministración de tecnología, incluyendo cámaras, aeronaves y sensores utilizados, así como los modelos más frecuentemente empleados en los estudios revisados para analizar la tendencia del mercado en este campo tecnológico.spa
dc.description.abstractCurrently, several studies demonstrate the effectiveness of unmanned aerial vehicles (UAS) in the estimation and characterization of vegetation cover, since these tools allow obtaining accurate data at different spatial and temporal scales, which makes them a valuable tool for vegetation monitoring. In this sense, the purpose of this research is to highlight the importance of UAVs in environmental studies, as well as their development and advances in recent years. The study methodology was based on a correlation analysis of keywords, countries and years, through VOSviewer and bibliometrix, using databases such as Scopus and ScienceDirect, and focused on application approaches, such as the identification and characterization of vegetation cover and its species through the capture of multispectral images and the use of artificial intelligence with UAVs. Based on the above, a general correlation of keywords focusing on UAV applications, such as machine learning, remote sensing and decision trees, was found. The leading brands in the supply of technology, including cameras, aircraft and sensors used, as well as the most frequently used models in the reviewed studies were also analyzed to analyze the market trend in this technological field.spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero Ambientalspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.citationOrdoñez Vanegas, L. C., y Pedraza Torres, I. D. (2023). Estimación y caracterización de la cobertura vegetal basado en las aplicaciones de las aeronaves no tripuladas UAS. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.spa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/50495
dc.language.isospaspa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.facultyFacultad de Ingeniería Ambientalspa
dc.publisher.programPregrado de Ingeniería Ambientalspa
dc.relation.referencesAragón, G. C., Cubillos Rodríguez, J. P., & Delgado-Niño, P. (2021). Uso de los vehículos aéreos no tripulados (drones) para el levantamiento de información primaria en los estudios ambientales por parte de las consultoras ambientales Use of Unmanned Aerial Vehicles (drones) for the Collection of Primary Information in Environmental Studies by Environmental Consultants. https://orcid.org/0000-0002-6166-4025spa
dc.relation.referencesCuervo Martínez, K. X. (2020). Adquisición y análisis de imágenes UAV para la estimación de coberturas vegetales y biomasa.spa
dc.relation.referencesDe Alfonso Juliá, J. C. (2020). Dron de vuelo autónomo con reconocimiento basado en inteligencia artificial.spa
dc.relation.referencesEl Hoummaidi, L., Larabi, A., & Alam, K. (2021). Using unmanned aerial systems and deep learning for agriculture mapping in Dubai. Heliyon, 7(10). https://doi.org/10.1016/j.heliyon.2021.e08154spa
dc.relation.referencesFeng, Q., Liu, J., & Gong, J. (2018). UAV Remote sensing for urban vegetation mapping using random forest and texture analysis. Remote Sensing, 7(1), 1074–1094. https://doi.org/10.3390/rs70101074spa
dc.relation.referencesGallmann, J., Schüpbach, B., Jacot, K., Albrecht, M., Winizki, J., Kirchgessner, N., & Aasen, H. (2022). Flower Mapping in Grasslands With Drones and Deep Learning. Frontiers in Plant Science, 12. https://doi.org/10.3389/fpls.2021.774965spa
dc.relation.referencesGuimbao, J. F. (2021). Inteligencia artificial: una carrera hacia el futuro tecnológico. bie3: Boletín IEEE, (23), 146-163.spa
dc.relation.referencesGutierrez-Alonso, G. (2016). Aplicaciones Geológicas de los Drones-Geological Applications of UAVs Assessing crustal recycling and granite magma generation in Central Iberia (IBERCRUST) View project Material Docente Cartografía Geológica y Geología Estructural View project. https://www.researchgate.net/publication/303696594spa
dc.relation.referencesHartling, S., Sagan, V., & Maimaitijiang, M. (2021). Urban tree species classification using UAV-based multi-sensor data fusion and machine learning. GIScience and Remote Sensing, 58(8), 1250–1275. https://doi.org/10.1080/15481603.2021.1974275spa
dc.relation.referencesKharuf-Gutierrez, S., Hernández-Santana, L., Orozco-Morales, R., de la Aday Díaz, O. C., & Delgado Mora, I. (2018). Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados. In RIELAC (Issue 2).spa
dc.relation.referencesLee, G., Hwang, J., & Cho, S. (2021). A novel index to detect vegetation in urban areas using uav-based multispectral images. Applied Sciences (Switzerland), 11(8). https://doi.org/10.3390/app11083472spa
dc.relation.referencesLiang, D., Liu, W., & Zhao, Y. (2022). Optimal Models for Plant Disease and Pest Detection Using UAV Image. Nature Environment and Pollution Technology, 21(4), 1609–1617. https://doi.org/10.46488/NEPT.2022.v21i04.013spa
dc.relation.referencesLiu, D. zhong, Yang, F. fei, & Liu, S. ping. (2021). Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data. Journal of Integrative Agriculture, 20(11), 2880–2891. https://doi.org/10.1016/S2095-3119(20)63556-0spa
dc.relation.referencesMarcial-Pablo, M. de J., Ontiveros-Capurata, R. E., Jiménez-Jiménez, S. I., & Ojeda-Bustamante, W. (2021). Maize crop coefficient estimation based on spectral vegetation indices and vegetation cover fraction derived from uav-based multispectral images. Agronomy, 11(4). https://doi.org/10.3390/AGRONOMY11040668spa
dc.relation.referencesOddi, L., Cremonese, E., Ascari, L., Filippa, G., Galvagno, M., Serafino, D., & di Cella, U. M. (2021). Using UAV imagery to detect and map woody species encroachment in a subalpine grassland: Advantages and limits. Remote Sensing, 13(7). https://doi.org/10.3390/rs13071239spa
dc.relation.referencesOlariu, H. G., Malambo, L., Popescu, S. C., Virgil, C., & Wilcox, B. P. (2022). Woody Plant Encroachment: Evaluating Methodologies for Semiarid Woody Species Classification from Drone Images. Remote Sensing, 14(7). https://doi.org/10.3390/rs14071665spa
dc.relation.referencesPérez Izquierdo, C. (2020). Uso de imágenes multiespectrales de drones para evaluar el estado del arbolado en la dehesa. Catálogo de investigación joven en Extremadura. Volumen III.spa
dc.relation.referencesPinzón, B. F. S., Ortega, J. R. T., & Rosa, P. (2016). Drones: General aspects and social applications. Visión electrónica, 10(2), 11.spa
dc.relation.referencesRevathi, K., Tamilselvi, T., Arunkumar, R., & Samydurai, A. (2022). A SMART DRONE FOR ENSURING PRECISION AGRICULTURE WITH ARTIFICIAL NEURAL NETWORK. Indian Journal of Computer Science and Engineering, 13(3), 897–906. https://doi.org/10.21817/indjcse/2022/v13i3/221303025spa
dc.relation.referencesRivera, L. B., Bonilla, B. M., & Obando-Vidal, F. (2021). Processing multispectral imaging captured by drones to evaluate the normalized difference vegetation index of Castillo coffee plantations. Ciencia Tecnología Agropecuaria, 22(1). https://doi.org/10.21930/RCTA.VOL22_NUM1_ART:1578spa
dc.relation.referencesSaravia, V., Moraes, W., Kelbouscas, A., & Grando, R. (2022). Drones e Inteligencia Artificial para Investigaci\'on y Competici\'on. arXiv preprint arXiv:2210.11199spa
dc.relation.referencesSohrabi, H., Gao, Y., Bhardwaj, A., & Coomes, D. A. (2022). Monitoring early-successional trees for tropical forest restoration using low-cost UAV-based species classification.spa
dc.relation.referencesValente, J., Sari, B., Kooistra, L., Kramer, H., & Mücher, S. (2020). Automated crop plant counting from very high-resolution aerial imagery. Precision Agriculture, 21(6), 1366–1384. https://doi.org/10.1007/s11119-020-0972+5-3spa
dc.relation.referencesWei, Y., Wang, W., Tang, X., Li, H., Hu, H., & Wang, X. (2022). Classification of Alpine Grasslands in Cold and High Altitudes Based on Multispectral Landsat-8 Images: A Case Study in Sanjiangyuan National Park, China. Remote Sensing, 14(15). https://doi.org/10.3390/rs14153714spa
dc.relation.referencesXie, L., Meng, X., Zhao, X., Fu, L., Sharma, R. P., & Sun, H. (2022). Estimating Fractional Vegetation Cover Changes in Desert Regions Using RGB Data. Remote Sensing, 14(15). https://doi.org/10.3390/rs14153833spa
dc.relation.referencesXu, Z., Shen, X., Cao, L., Coops, N. C., Goodbody, T. R. H., Zhong, T., Zhao, W., Sun, Q., Ba, S., Zhang, Z., & Wu, X. (2020). Tree species classification using UAS-based digital aerial photogrammetry point clouds and multispectral imageries in subtropical natural forests. International Journal of Applied Earth Observation and Geoinformation, 92. https://doi.org/10.1016/j.jag.2020.102173spa
dc.relation.referencesYang, H., Hu, Y., Zheng, Z., Qiao, Y., Zhang, K., Guo, T., & Chen, J. (2022). Estimation of Potato Chlorophyll Content from UAV Multispectral Images with Stacking Ensemble Algorithm. Agronomy, 12(10). https://doi.org/10.3390/agronomy12102318spa
dc.relation.referencesZhao, T., Huang, L., Wang, J., Cui, B., Li, X., & Zhu, X. (2022). Effective Screening and Texture Segmentation of Green Vegetation Cover Based on UAV Images. Traitement Du Signal, 39(4), 1435–1442. https://doi.org/10.18280/ts.39043spa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordUnmanned aerial vehiclesspa
dc.subject.keywordMultispectral imageryspa
dc.subject.keywordVegetation coverspa
dc.subject.keywordMachine learningspa
dc.subject.keywordArtificial intelligencespa
dc.subject.lembIngeniería Ambientalspa
dc.subject.lembAeronavespa
dc.subject.lembVegetaciónspa
dc.subject.lembBases de Datosspa
dc.subject.proposalVehículos aéreos no tripuladosspa
dc.subject.proposalImágenes multiespectralesspa
dc.subject.proposalCobertura vegetalspa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalInteligencia artificialspa
dc.titleEstimación y caracterización de la cobertura vegetal basado en las aplicaciones de las aeronaves no tripuladas UASspa
dc.typebachelor thesis
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/bachelorThesis
dc.type.localTesis de pregradospa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original

Mostrando 1 - 3 de 3
Cargando...
Miniatura
Nombre:
2023lauraordoñez-davidpedraza.pdf
Tamaño:
457.43 KB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de Grado
Thumbnail USTA
Nombre:
Carta_aprobacion_facultad_ ORDOÑEZ VANEGAS LAURA CAMILA - PEDRAZA TORRES IVAN DAVID.pdf
Tamaño:
1.1 MB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación facultad
Thumbnail USTA
Nombre:
Carta_autorizacion_autoarchivo_autores.pdf
Tamaño:
1.01 MB
Formato:
Adobe Portable Document Format
Descripción:
Carta Derechos de Autor

Bloque de licencias

Mostrando 1 - 1 de 1
Thumbnail USTA
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción: