Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Pertuz Arroyo, Said DavidSuarez Flechas, Julio RobertoNaranjo Infante, Diego Andres2023-03-142023-03-142023-03-102023-03-10https://noesis.uis.edu.co/handle/20.500.14071/12529Este documento presenta el diseño de un sistema para caracterizar automáticamente terrenos para agricultura mediante redes neuronales convolucionales. El proyecto propone brindar estimaciones de superficie en cuanto a tierras de cultivo, permitiendo clasificar, caracterizar y describir terrenos georreferenciados. Por medio de aprendizaje automático se realiza una clasificación supervisada de imágenes satelitales, con la arquitectura de una red neuronal convolucional, la cual se entrena usando imágenes ya caracterizadas por el departamento de agricultura de Estados Unidos (USDA). En cada capítulo se presenta uno de los procesos que se llevaron a cabo en el desarrollo del algoritmo para caracterizar automáticamente terrenos para agricultura con redes neuronales convolucionales. El primer proceso consiste en la creación de la base de datos con la cual se realizará el entrenamiento de la red neuronal. El segundo corresponde al diseño e implementación de la arquitectura de la red neuronal convolucional para identificar como mínimo cuatro tipos de terrenos, a partir de imágenes satelitales. Finalmente, se propone utilizar la red previamente entrenada, para evaluar su funcionamiento con imágenes satelitales de terrenos Colombianos.application/pdfspainfo:eu-repo/semantics/openAccessCaracterización automáticaGoogle Earth Engineimágenes croplandimágenes satelitalesPythonredes neuronales convolucionalesUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coAutomatic characterizationGoogle Earth Enginecropland imagerysatellite imageryPythonconvolutional neural networkshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)