Tesón Del Hoyo, EliseoRubriche Cárdenas, Juan CarlosRodríguez Arias, Elizabeth2024-01-292024-01-292024-01-29Rodríguez Arias, E. (2023). Clasificación Litológica en Afloramientos de Rocas Mediante Técnicas de Aprendizaje Automático Usando Imágenes Satelitales. [Trabajo de Maestría, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/53740de imágenes de satélite, supone un gran avance en el estudio de la superficie de la tierra; debido a la heterogeneidad de las estructuras rocosas y las dificultades asociadas a cambios abruptos de topografía, la clasificación convencional tiene un gran componente subjetivo, que en ocasiones puede afectar la precisión del proceso. El objetivo de usar aprendizaje de máquinas para hacer clasificación litología es generar una herramienta que asista el proceso de clasificación y así mejorar los aspectos que puedan limitar los resultados, como suelen ser, optimizar el tiempo de procesamiento, mejorar la precisión de la clasificación, procesar bases de datos más voluminosas (imágenes con mayor resolución espectral y espacial) y cubrir ´áreas de estudio más extensas. La metodología está desarrollada sobre la plataforma de análisis geoespacial con procesamiento en la nube Google Earth Engine (GEE) y está implementada en cuatro fases principales; la primera es generar variables adicionales para el modelo de clasificación supervisada, mediante técnicas estadísticas de transformación de imagen y mejora espectral, como el cálculo de ´índices espectrales geológicos y el análisis de componentes principales (PCA), así como incorporar información topográfica mediante la adición del modelo digital de terrero (DEM) y agregando datos de textura por medio de la matriz de coocurrencia de nivel de grises (GLMC), también se incorporan los resultados del algoritmo de clasificación no supervisada K-means como una variable predictora. La segunda fase consiste en entrenar los algoritmos de aprendizaje supervisado Ramdon Forest (RF), Support Vector Machine (SVM), Classification and Regression Trees (CART), Mini mum Distance (MD) y Naive Bayes (NB) teniendo en cuenta las variables generadas en la primera fase junto información de referencia de campo o Ground Thruth, para reproducir varios modelos de clasificación de los cuales, en la tercera fase, se elige el que produzca mejores métricas de desempeño, generando un modelo de clasificación confiable que en una ´ultima fase se reproduce sobre una zona de superficie con características y litología desconocidas, aportando así información de base para realizar cartografía geológica sin haber requerido presencia de personal in situ.The application of machine learning techniques to perform terrain characterization from satellite images represents a significant advance in the study of the Earth’s surface. Because of the heterogeneity of rock structures and the difficulties associated with abrupt chan ges in topography, conventional classification possesses a large subjective component, which sometimes can affect the accuracy of the process. The desired result of using machine lear ning techniques in Lithological classification is to generate a tool that besides assisting the classification process, also helps to improve the aspects that may limit the results, such as optimizing processing time, increasing classification accuracy, larger data processing (images with higher spectral and temporal resolution) and to cover larger study areas. The metho dology is developed on the geospatial analysis platform with cloud processing Google Earth Engine (GEE) and it is implemented in four main phases: the first one consists of generating additional variables for the supervised classification model using statistical techniques, image transformation, and spectral enhancement, including the calculation of geological spectral indices and Principal Component Analysis (PCA), as well as incorporating topographic in formation through addition of Digital Terrain Model (DEM), adding together texture data through the Gray Level Matrix Co-occurrence (GLMC), and finally incorporate an additional band of the k-means algorithm no supervised classification. The second phase incorporates algorithm training under the supervision of Random Forest (RF), Support Vector Machine (SVM), Classification and Regression CART and Minimum Distance MD, taking into ac count the variables generated in the first phase together with the field reference information or ground thruth to reproduce several classification models that in the third phase, whichever displays the best performance metrics, is chosen leading to a reliable classification model, then, in the last phase, it will be applied to a surface area with unknown characteristics and lithology providing support information to carry out geological cartography without having required presence of people on siteapplication/pdfspaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Remote SensingMachine LearningAlgorithmLithologySpectral ResolutionReflectanceEstadística AplicadaAprendizajeTierra-SuperficieTesis de maestríaAbierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2TeledecciónLitologíaBanda EspectralReflectanciareponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.co