Mostrar el registro sencillo del ítem
resumen
Resumen
Las clasificaciones supervisadas son procesos extremadamente sensibles a la calidad de las muestras utilizadas. La presencia de outliers en las muestras de entrenamiento suele ser una fuente de error muy frecuente. El objetivo de este trabajo es presentar una metodología de detección de outliers con Isolation
Forest, en muestras recolectadas mediante interpretación visual de imágenes satelitales generadas por el Proyecto MapBiomas Pampa Trinacional.
[ver mas...]
dc.contributor.author | Banchero, Santiago | |
dc.contributor.author | Veron, Santiago Ramón | |
dc.contributor.author | Petek, Mariana | |
dc.contributor.author | Sarrailhe, Sofia | |
dc.contributor.author | De Abelleyra, Diego | |
dc.date.accessioned | 2022-04-20T10:38:03Z | |
dc.date.available | 2022-04-20T10:38:03Z | |
dc.date.issued | 2021-10-18 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12123/11679 | |
dc.description.abstract | Las clasificaciones supervisadas son procesos extremadamente sensibles a la calidad de las muestras utilizadas. La presencia de outliers en las muestras de entrenamiento suele ser una fuente de error muy frecuente. El objetivo de este trabajo es presentar una metodología de detección de outliers con Isolation Forest, en muestras recolectadas mediante interpretación visual de imágenes satelitales generadas por el Proyecto MapBiomas Pampa Trinacional. Isolation Forest, el algoritmo no supervisado utilizado puede detectar anomalías directamente basándose en el concepto de aislamiento sin utilizar ninguna métrica. La metodología consiste en la identificación de outliers (preparación de muestras, modelado y definición del umbral) y la validación del método. El modelado permite etiquetar de manera automática cada muestra como outlier o normal a partir del score. Se logró verificar los píxeles de la muestra señalada como outlier y tipificar el error en 6 categorías. Los resultados muestran una cantidad decreciente de outliers a lo largo del periodo analizado. Los años con mayor cantidad de outliers tienen una correspondencia con los años de menor disponibilidad de imágenes para la construcción de los mosaicos y contribuciones importantes del tipo Error del Mosaico. La clase con mayor porcentaje de error fue Bosque cerrado (14.7%) y los tipos de errores con mayor proporción fueron Clase Mal Asignada (20.39%) y Borde (19.57%). La metodología propuesta permitió el mejoramiento de muestras obtenidas mediante interpretación visual de imágenes satelitales de manera automática con un 80% de acierto. | spa |
dc.format | application/pdf | |
dc.language.iso | spa | es_AR |
dc.publisher | Sociedad Argentina de Informática | es_AR |
dc.rights | info:eu-repo/semantics/openAccess | es_AR |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
dc.source | 50 Jornadas Argentinas de Informática (50 JAIIO), 13 Congreso Argentino de AgroInformática (CAI 2021), 18 al 29 de octubre de 2021 (virtual) | es_AR |
dc.subject | Machine Learning | eng |
dc.subject | Aprendizaje Electrónico | es_AR |
dc.subject | Remote Sensing | eng |
dc.subject | Teledetección | es_AR |
dc.subject | Detección | es_AR |
dc.subject | Anomalías | es_AR |
dc.subject | Detection | eng |
dc.subject | Anomalies | eng |
dc.subject.other | Isolation Forest | eng |
dc.subject.other | Bosque de Aislamiento | es_AR |
dc.title | Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual | es_AR |
dc.type | info:ar-repo/semantics/documento de conferencia | es_AR |
dc.type | info:eu-repo/semantics/conferenceObject | es_AR |
dc.type | info:eu-repo/semantics/publishedVersion | es_AR |
dc.rights.license | Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) | |
dc.description.fil | Fil: Banchero, S. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina | es_AR |
dc.description.fil | Fil: Verón, S. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina | es_AR |
dc.description.fil | Fil: Petek, M. Universidad de Buenos Aires. Facultad de Agronomía; Argentina | es_AR |
dc.description.fil | Fil: Sarrailhe, S. Universidad de Buenos Aires. Facultad de Agronomía; Argentina | es_AR |
dc.description.fil | Fil: Abelleyra, D. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina | es_AR |
dc.subtype | ponencia |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
common