Plugin machine learning para QGIS 3.x para la clasificación de imágenes satelitales
Cargando...
Fecha
Fecha
2022-08-23
Director
Título de la revista
ISSN de la revista
Título del volumen
Editor
Compartir
Citar documento
Ruiz Fernández, Marión Ricardo; Piraquive Gamba, Michael Andrés (2022). Plugin machine learning para QGIS 3.x para la clasificación de imágenes satelitales. https://hdl.handle.net/11349/33618
Gestores bibliográficos
Altmetric
El indicador aparece cuando Altmetric registra menciones para este documento.
Documentos PDF
Resumen
The tools that perform the classification of satellite images based on different Machine Learning algorithms are extremely expensive and difficult to access (commercial software), which are very specialized. Due to this, obtaining a free tool or software with quality indicators similar to those obtained in commercial software is a technological challenge. Thus, the development of a plugin for the QGIS software (MLClassImage Plugin) is presented, which performs satellite image classification, based on the following algorithms: KNN, Random Forest and Support Vector Machines (SVM). Within it, the user will be able to manipulate the parameters of each of the algorithms in order to select the model that best fits the required classification according to the interpretation of the results obtained.
Descripción
Las herramientas que realizan la clasificación de imágenes satelitales basados en diferentes algoritmos de Machine Learning son extremadamente costosos y de difícil acceso (software comercial), los cuales tienden a ser muy especializados. Debido a esto, conseguir una herramienta o software libre con indicadores de calidad similares a los obtenidos en software comercial supone un reto tecnológico. Así pues, se presenta el desarrollo de un plugin para el sofware QGIS (MLClassImage Plugin), que realiza clasificación de imágenes satelitales, a partir de los siguientes algoritmos: KNN, Random Forest y Máquinas de soporte vectorial (SVM). Dentro del mismo, el usuario podrá manipular los parámetros de cada uno de los algoritmos para así seleccionar el modelo que mejor se ajuste a la clasificación requerida de acuerdo con la interpretación a los resultados obtenidos.