CLASIFICACION DE REDES NEURONALES ARTIFICIALES (Continuación)

Esta red tiene la capacidad de aprender ajustando los pesos de sus conexiones en un proceso iterativo de entrenamiento con patrones de referencia. Para esto utiliza un algoritmo de retropropagación del error (back propagation). Este es un algoritmo iterativo degradiente  descendente que propaga el error hacia atrás en la red generando el reajuste de pesos y minimizando el error de salida respecto al patrón de referencia. Desde el punto de vista computacional una red neuronal puede se considerada como un  algoritmo abierto, o programa incompleto, en el sentido de que ciertos parámetros  numéricos, los pesos, no son especificados por el programador. Dichos pesos son calculados durante la fase de entrenamiento. Esta requiere ciertos datos, los conjuntos de datos de  entrenamiento, y otro programa, el algoritmo de aprendizaje. La razón por la que los pesos no pueden ser especificados es porque usualmente no disponemos de una clave como la relación causa – efecto, es decir, cómo los diferentes valores de los pesos afectan el proceso computacional de la red. Esta situación resulta de la esencia misma de las redes neuronales, que son básicamente “cajas negras” cuyo comportamiento es en gran parte impredecible. En  efecto, el usuario puede seleccionar la “arquitectura”de la red, el número y tipo de neuronas,  la manera como están interconectadas, etc. Sin embargo no podrá establecer, ni siquiera  intentar adivinar, los pesos. Estos sólo podrán ser establecidos en el proceso de aprendizaje. Entre las ventajas de las redes neuronales artificiales citemos la de poder aceptar todo tipo de entradas numéricas, respondan o no a alguna distribución estadística. Esto hace que  datos provenientes de percepción remota pueden ser adicionados de datos de otro origen.


Esta característica es muy útil en el caso de un SIG (Sistema de Información Geográfica) ya  que diferentes tipos de datos espaciales pueden ser usados simultáneamente para mejorar el  desempeño del clasificador. Por otra parte, al estar constituidas por varias capas de neuronas  conectadas por enlaces ponderados son tolerantes al ruido existente en los patrones de  entrenamiento: el resultado final podría no verse afectado por la pérdida de una o dos neuronas como resultado del ruido en aquellos.

Entre sus desventajas citemos la duración de los tiempos de entrenamiento. Además, el algoritmo de gradiente descendente puede alcanzar mínimos locales (es decir un mínimo en la función que relaciona los pesos con el  error) más que un mínimo global. También puede oscilar. Otro problema es que los valores de pesos que se aplican inicialmente y que suelen ser valores pequeños y aleatorios influyen en los resultados pudiendo hacer que la red converja hacia diferentes mínimos locales, con lo cual son de esperar diferentes exactitudes de clasificación. Como ejemplo de aplicación utilizaremos la misma imagen de la Fig. 78 (forestación en Paysandú)que hemos utilizado para aplicar el método supervisado de alta probabilidad y el  ISODATA. Como datos de entrenamiento utilizamos regiones de interés similares a las seleccionadas en los casos anteriores. Para la clasificación se utilizó una red neuronal de dos capas ocultas y 2000 iteraciones. En las Figs 84 (a) y (b) se observan la imagen original y la clasificada. En la Fig.85 la gráfica muestra la evolución del proceso iterativo.

<< PAGINA ANTERIOR - INDICE DEL TUTORIAL - PAGINA SIGUIENTE >>

Aplicaciones prácticas de la percepción remota satelital

INDICE DEL TUTORIAL:

1- INTRODUCCION A LA PERCEPCION REMOTA

2. NATURALEZA DE LAS RADIACIONES ELECTROMAGNÉTICAS

3. INTERACCION DE LA RADIACION CON LA MATERIA Y ORIGEN DE LOS ESPECTROS

4. INTERACCION DE LAS RADIACIONES CON LOS OBJETOS DE LA SUPERFICIE TERRESTRE.
   INTERACCION DE LAS RADIACIONES CON LOS OBJETOS DE LA SUPERFICIE TERRESTRE (continuación)
   LA REFLECTANCIA EN LOS VEGETALES
   LA REFLECTANCIA EN EL AGUA

5. INTERACCIONES ATMOSFERICAS

6. LA ADQUISICION DE DATOS Y LAS PLATAFORMAS SATELITALES
    LA ADQUISICION DE DATOS Y LAS PLATAFORMAS SATELITALES (continuación)
    SATELITES METEOROLOGICOS Y AGROMETEOROLOGICOS
    LOS NUEVOS SATELITES PARA LA OBSERVACION DE LA TIERRA
    RECEPCION Y TRANSMISION DE LA INFORMACION SATELITAL

7. SENSORES
    7.1. Consideraciones generales
    SENSORES (continuación)
    7.2 Naturaleza de los detectores
    SENSORES: BANDAS ESPECTRALES LANDSAT TM y SPOT HRVIR
    7.3 Estudio de dos casos: LANDSAT y SPOT
    7.4 Resolución
       7.4.1 Resolución espacial
       7.4.2 Resolución espectral
       7.4.3 Resolución radiométrica
       7.4.4 Resolución temporal
   7.5 Escala y resolución espacial.

8. ESTRUCTURA DE LAS IMÁGENES DIGITALES
    ESTRUCTURA DE LAS IMAGENES DIGITALES (continuación)

9. PROCESAMIENTO DE LAS IMÁGENES SATELITALES
    PROCESAMIENTO DE LAS IMAGENES SATELITALES (continuación)
    9.2 Realces
       9.2.2 Filtrado espacial
       9.2.3 Análisis por Componentes Principales
       9.2.4 Combinaciones de color
               Combinaciones de color (continuación)
    IMAGENES SATELITALES - CLASIFICACION
    9.3 Clasificación
         Clasificación (continuación)
            9.4.1 Clasificación supervisada
            9.4.1.2 Clasificador por paralelepípedos.
            9.4.1.3 Clasificador por máxima probabilidad (maximum likelihood)
   Clasificador por máxima probabilidad (maximum likelihood) - (continuación)
         9.3.2 Clasificación no supervisada
         9.3.3 Estimación de la exactitud de una clasificación: Matriz de confusión
   Estimación de la exactitud de una clasificación: Matriz de confusión (continuación)
         9.3.4 Otros métodos de clasificación
            9.3.4.1. Clasificador de red neuronal artificial
                        Clasificador de red neuronal artificial (continuación)
            9.3.4.2 Clasificadores difusos (fuzzy classifiers)

10. ALGUNAS APLICACIONES DE LA PERCEPCION REMOTA
     10.1 Aplicaciones en Agricultura.
         10.1.2 Indices N-dimensionales “Tasseled Cap”
         10.1.3 Indices de vegetación a partir de imágenes hiperespectrales
         10.2.1 Generalidades sobre el infrarrojo térmico
         10.2.2 Aplicaciones del infrarrojo térmico
             10.2.2.1 Temperatura del mar
             10.2.2.2 Temperatura terrestre
    10.3 Monitoreo de áreas de desastre
         10.3.1 Algunos ejemplos típicos
         10.3.2 El monitoreo a escala global de desastres

APENDICE I : NOCIONES BASICAS SOBRE SENSORES DE RADAR

APENDICE II: BIBLIOGRAFIA SUGERIDA

 

OTROS ITEMS DE INTERES

Galería de imágenes

 

Plataformas de observación

 

Aeropuertos del mundo

 

Imágenes satelitales y seguros

 

¿Qué es la resolución?

 

Petróleo

 

Forestación

 

Estudios de viabilidad

 

Mercados de futuros

 

Cultivo del arroz

 

Nuestra misión

 

Nuestros servicios

 

¿Qué es la percepción remota?

 

¿Qué es una imagen satelital?

 

Uso del GPS

 

Estación rastreadora

 

Pasturas

 

Monitoreo de incendios

 

Sequías

 

Recursos naturales

 

Cultivo del tabaco