Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodigital.uns.edu.ar/handle/123456789/4370
Título : Procesamiento inteligente de imágenes para el modelado geomorfológico
Autor(es) : Revollo Sarmiento, Gisela N.
Director(es) : Delrieux, Claudio Augusto
Perillo, G. M. E.
Palabras clave : Ciencias de la computación; Proceso de imágenes; Procesamiento digital de imágenes; Canales; Ponds; Clasificadores
Resumen : Las planicies de marea del estuario de Bahía Blanca se caracterizan por tener una amplia presencia de accidentes geográficos (cursos de marea y cuencos de agua) de diversos tamaños, formas y orientaciones. El estudio del origen de los mismos, su permanencia y los mecanismos de erosi ón durante la evolución de estos accidentes es importante para determinar futuros procesos dinámicos en el humedal costero. Sin embargo, el acceso directo para el monitoreo de estas regiones no es fácil, tiene un costo prohibitivo, no siempre es posible el acceso condicionado por las mareas y es ambientalmente dañino. El procesamiento digital de imágenes (PDI) de sensado remoto es una alternativa natural ante esta situación, dado que es una herramienta no invasiva para la extracción de datos cualitativos y cuantitativos sin alterar el estado natural del objeto bajo estudio. La presente tesis tiene como objetivo principal desarrollar e implementar nuevas técnicas y metodologías de PDI que conformen la arquitectura de una aplicación que permita extraer la información necesaria y suficiente de los accidentes geográficos para que posteriormente, el experto pueda analizar y modelar la geomorfología de los mismos. La metodología desarrollada está compuesta por diferentes etapas de procesamiento, entre ellas la segmentación (identificación), medición, extracción de parámetros morfológicos (descriptores de forma) y la clasificación automática de los accidentes de interés. En primera instancia, se caracterizó el tipo de ambiente y se seleccionaron 13 zonas del estuario para ser analizadas. Las mismas son representativas de la diversidad de cuencos y cursos de marea existentes en las planicies. En cada zona de estudio se aplicaron las distintas etapas del procesamiento y se discriminaron los objetos de interés. Seguidamente, se analizó su morfología individual en detalle. En este sentido, un conjunto de datos es obtenido para el análisis morfológico y, además es usado para definir las ecuaciones de un modelo estadístico de regresión, el cual permite diferenciar automáticamente los cuencos de agua y cursos de marea. En principio, el clasificador se testeó en un conjunto de zonas usadas para su entrenamiento y posteriormente se usaron las restantes zonas como conjunto de validación. El desempeño del clasificador se evaluó de dos formas distintas, visual y cuantitativamente. El propósito fue determinar la variabilidad de los resultados según la apreciación del evaluador experto (supervisada) y la predicha por el clasificador (automática). En todos los casos se identificaron y clasificaron automáticamente los diferentes accidentes geográficos con una precisión superior al 86 %. Los resultados demuestran que es posible identificar y clasificar en forma automática los accidentes geográficos de formas complejas, como los cuencos de agua y cursos de marea a partir de imágenes de sensado remoto, en este caso particular, imágenes de Google Earth. Inclusive, la metodología puede ser aplicada en otras regiones de humedales costeros y con otros tipos de imágenes de sensado remoto.
Tidal flats of the Bahía Blanca Estuary, generally exhibit ponds of diverse size, shape and orientation. The study of the origin, stability and erosive mechanisms during the evolution of these geographic features are important to determine dynamic processes in coastal wetlands. However, direct monitoring access to the locations is hard and expensive, not always feasible, and environmentally damaging. Remote sensing images may represent a natural alternative for this situation, since it is a noninvasive tool for qualitative and quantitative data extraction without altering the natural state of the object under study. The main aim of this thesis is to introduce and develop new techniques and DIP methodologies that integrate a framework application. In this sense, the expert is able to analyze the data set obtained. The methodology consists in different processing stages like segmentation, measurement, shape descriptors extraction and the automatic classification of geographic features. First, we characterize the environment type and 13 zones were selected to study. These zones are representative of ponds and tidal courses in tidal flats. The different processing stages were applied for each zone and geographic features were indentified. Then, the individual morphology in detail was analyzed. A data set for morphological analysis was provided and used to define the classifier model equations, which allow to automatically discriminate ponds against tidal courses. The classifier were tested in the training zones and then other zones were used to validate the performance of the classifier. To determine the variability of the results , supervise classification was compared against automatic classification. In all cases, it was possible to identify and automatically classify different geographic features with an accuracy higher than 86%. These results highlight the feasibility of using freely available Google Earth imagery for the automatic identification and classification of complex geographical features, as ponds and tidal courses. In addition, the methodology presented here could be applied in other wetlands of the world and to other remote sensing imagery.
URI : http://repositoriodigital.uns.edu.ar/handle/123456789/4370
Aparece en las colecciones: Tesis de postgrado

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Tesis_Revollo2015.pdfTesis doctoral - Texto completo20,12 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons