Mostrar el registro sencillo del ítem

Evaluación del aporte de las características texturales en imágenes adquiridas en vehículos aéreos no tripulados para la identificación del estrés biótico en frailejones. Caso de estudio: páramo de Chingaza (Colombia)

dc.creatorMartín, Laura Daniela
dc.creatorMedina, Javier
dc.creatorUpegui, Erika
dc.date2019-11-12
dc.identifierhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/3842
dc.identifier10.18359/rcin.3842
dc.descriptionEspeletia is one of the most representative endemic species of moorland ecosystems, and is currently being affected by biotic stress. Meanwhile, the analysis of images obtained by means of unmanned aerial vehicle imagery has proved its usefulness in environmental monitoring activities. The present work is aimed at establishing whether image-texture analysis applied to unmanned aerial vehicle imagery from Moorlands of Chingaza (Colombia) allows the identification of biotic stress in Espeletia. To this end, this study makes use of occurrence analysis, gray-level co-occurrence matrix, and Fourier transform. Identification of healthy/unhealthy Espeletia is conducted using maximum likelihood tests and support vector machines. The results are assessed based on overall accuracy, the kappa coefficient and bhattacharyya distance. By combining spectral and image-texture information, it is shown that classification accuracy increases, reaching kappa coefficient values of 0,9824 and overall accuracy values of 99,51%. en-US
dc.descriptionLos frailejones son una de las especies endémicas más representativas en los ecosistemas de páramo, la cual, en los últimos años, se está viendo afectada por el estrés biótico. Las imágenes obtenidas mediante vehículos aéreos no tripulados han demostrado un gran potencial en el monitoreo ambiental. Este trabajo busca establecer si el análisis textural aplicado a estas imágenes adquiridas en el Páramo de Chingaza (Colombia) permite la identificación del estrés biótico en los frailejones. Con este fin, en este estudio se hace uso del análisis de ocurrencia, la matriz de coincidencia de nivel de gris y la transformada de Fourier. La identificación de frailejón sano y enfermo se realiza a través de la clasificación de máxima verosimilitud y de máquinas de soporte vectorial. Los resultados son evaluados a través de la precisión global, el coeficiente kappa y la distancia bhattacharyya; mostrando que la combinación de información espectral y textural aumentan la exactitud de clasificación alcanzado un coeficiente kappa de 0,9824 y una precisión global de 99,51%.es-ES
dc.formatapplication/pdf
dc.formattext/xml
dc.languageeng
dc.publisherUniversidad Militar Nueva Granadaes-ES
dc.relationhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/3842/4079
dc.relationhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/3842/4248
dc.relation/*ref*/FAO, ¿por qué invertir en el desarrollo sostenible de las montañas?, Roma, 2014.
dc.relation/*ref*/O. V. Ríos and P. Pedraza, El Parque Nacional Natural Chingaza. UNal de Colombia, 2004.
dc.relation/*ref*/A. Sanchez, A. Rey-Sánchez, J.M. Posada, W. K. Smith. Interplay of seasonal sunlight, air and leaf temperature in two alpine páramo species, Colombian Andes. Agricultural and Forest Meteorology, 253–254, (2018), 38–47. https://doi.org/10.1016/j.agrformet.2018.01.033.
dc.relation/*ref*/M. Cabrera and W. Ramírez, Restauración Ecológica de los páramos de Colombia: Transformación y herramientas para su conservación. Min Ambiente, Instituto von Humboldt, 2014.
dc.relation/*ref*/N. Susiˇc, U. Zibrat, S. Sirca, P. Strajnar, J Razinger, M. Knapiˇc, A. Vonˇcina, G. Urek, BG. Stare, Discrimination between abiotic and biotic drought stress in tomatoes using hyperspectral imaging, Sensors and Actuators: B. Chemical (2018), https://doi.org/10.1016/j.snb.2018.06.121
dc.relation/*ref*/U. Žibrat, N. Susic, M. Knapic, S. Širca, P. Strajnar, J. Razinger, A. Voncina, G. Urek, B. Geric. Pipeline for imaging, extraction, pre-processing, and processing of time-series hyperspectral data for discriminating drought stress origin in tomatoes, MethodsX, 6 (2019), 399–408, https://doi.org/10.1016/j.mex.2019.02.022
dc.relation/*ref*/I. Colomina and P. Molina, “Unmanned aerial systems for photogrammetry and remote sensing: A review,” ISPRS J. Photogramm. Remote Sens., vol. 92, pp. 79–97, Jun. 2014.
dc.relation/*ref*/J. J. Díaz García, “Estudio de índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de éstos a la agricultura de precisión.,” 2015.
dc.relation/*ref*/L. C. G. David and A. H. Ballado, “Vegetation indices and textures in object-based weed detection from UAV imagery,” in Control System, Computing and Engineering (ICCSCE), 2016 6th IEEE International Conference on, pp. 273–278, 2016.
dc.relation/*ref*/R. M. Haralick, “Statistical and structural approaches to texture”, Proc. IEEE, vol. 67 (5), pp. 786–804, 1979.
dc.relation/*ref*/A. S. Laliberte and A. Rango, “Texture and Scale in Object-Based Analysis of Subdecimeter Resolution Unmanned Aerial Vehicle (UAV) Imagery,” IEEE Trans. Geosci. Remote Sens., vol. 47, no. 3, pp. 761–770, Mar. 2009.
dc.relation/*ref*/J. Yue, G. Yang, Q. Tiana, H. Feng, K. Xua, C. Zhoub, Estimate of winter-wheat above-ground biomass based on UAV ultra high ground-resolution image textures and vegetation indices, ISPRS Journal of Photogrammetry and Remote Sensing, 150, (2019), 226–244. https://doi.org/10.1016/j.isprsjprs.2019.02.022
dc.relation/*ref*/Q. Feng, J. Liu, and J. Gong, “UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis,” Remote Sens., vol. 7, no. 1, pp. 1074–1094, Jan. 2015. doi:10.3390/rs70101074
dc.relation/*ref*/S. Ondimu, H. Murase, “Water stress detection in Sunagoke moss (Rhacomitrium canescens) using combined thermal infrared and visible light imaging techniques” Biosyst. Eng., vol. 100 (1), pp. 4–13, 2008. doi: 10.1016/j.biosystemseng.2008.02.005
dc.relation/*ref*/N. Hashim, S. Adebayo, K. Abdana, M. Hanafi. Comparative study of transform-based image texture analysis for the evaluation of banana quality using an optical backscattering system. Postharvest Biology and Technology, 135, (2018), 38–50. http://dx.doi.org/10.1016/j.postharvbio.2017.08.021
dc.relation/*ref*/M.P. Ferreira, F. Wagner, L. Aragão, Y. Shimabukuro, C. Filhod, Tree species classification in tropical forests uing visible to shortwave infrared WorldView-3 images and texture analysis, ISPRS Journal of Photogrammetry and Remote Sensing, 149, 2019, 119–131. https://doi.org/10.1016/j.isprsjprs.2019.01.019
dc.relation/*ref*/P. Mishra, A. Nordon, M.S. Mohd Asaari, G. Lian, S. Redfern. Fusing spectral and textural information in near-infrared hyperspectral imaging to improve green tea classification modelling, Journal of Food Engineering (2019), doi: https://doi.org/10.1016/j.jfoodeng.2019.01.009.
dc.relation/*ref*/V.H. Vásquez, M.A. Serrano, 2009. Las áreas naturales protegidas de Colombia. Conservación Internacional-Colombia, Bogotá.
dc.relation/*ref*/L. Sastoque, E. Gutiérrez, E. Upegui. Espacialización del estrés biótico en los frailejones del Parque Natural Nacional Chingaza (Colombia) utilizando imágenes capturadas con un vehículo aéreo no tripulado. Nuevas plataformas y sensores de teledetección. XVII Congreso de la Asociación Española de Teledetección. Murcia 3-7 octubre 2017. pp. 461-464
dc.relation/*ref*/V. A. Montoliu. “Respuestas fisiológicas de los cítricos sometidas a condiciones de estrés biótico y abiótico aspectos comunes y específicos”. Tesis Doctoral. Universidad de Jaume, España. 2010.
dc.relation/*ref*/J. Singla, and SG. Krattinger. Biotic Stress Resistance Genes in Wheat. Genetics of Grains. 2016. Elsevier Ltd.
dc.relation/*ref*/M. Tuceryan and A. K. Jain, “Texture analysis,” Handb. Pattern Recognit. Comput. Vis., vol. 2, pp. 207–248, 1998.
dc.relation/*ref*/J. Sklansky, “Image Segmentation and Feature Extraction,” IEEE Trans. Syst. Man Cybern., vol. 8, no. 4, pp. 237–247, Apr. 1978. doi: 10.1109/TSMC.1978.4309944
dc.relation/*ref*/A. R. Backes, W. N. Gonçalves, A. S. Martinez, and O. M. Bruno, “Texture analysis and classification using deterministic tourist walk,” Pattern Recognition, vol. 43, no. 3, pp. 685–694, Mar. 2010. https://doi.org/10.1016/j.patcog.2009.07.017
dc.relation/*ref*/G. N. Srinivasan, & G Shobha. Statistical texture analysis. En Proceedings of world academy of science, engineering and technology. Vol. 36, pp. 1264–1269, 2008.
dc.relation/*ref*/N. Aggarwal, & R. K. Agrawal, First and second order statistics features for classification of magnetic resonance brain images. Journal of Signal and Information Processing, 3(02), 146, 2012. doi: 10.4236/jsip.2012.32019
dc.relation/*ref*/C. Pinilla, A. Alcalá, & F. Ariza. Filtrado de imágenes en el dominio de la frecuencia. Revista de la Asociación Española de Teledetección, 8, 1997.
dc.relation/*ref*/V. Friedrich. Transformada de Fourier de una Imagen y filtrado de una imagen en el dominio de la frecuencia. Funciones de Variable Compleja. 2013.
dc.relation/*ref*/J. A. Richards, & X. Jia. Remote Sensing Digital Image Analysis - An Introduction. 4th. 2006.
dc.relation/*ref*/E. Chuvieco. Teledetección ambiental: la observación de la Tierra desde el espacio (3ra ed.). Barcelona: Ariel Ciencia. 2002.
dc.relation/*ref*/L. Wang, W. P. Sousa, & P. Gong. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing, 25(24), 5655–5668, 2004. https://doi.org/10.1080/014311602331291215
dc.relation/*ref*/F. Pacifici, M. Chini, and W. J. Emery, “A neural network approach using multi-scale textural metrics from very high-resolution panchromatic imagery for urban land-use classification,” Remote Sens. Environ., vol. 113, no. 6, pp. 1276–1292, Jun. 2009. https://doi.org/10.1016/j.rse.2009.02.014
dc.relation/*ref*/J. Hua, Z. Xiong, J. Lowey, E. Suh, and E. R. Dougherty. Optimal number of features as a function of sample size for various classification rules. Bioinformatics, Volume 21, Issue 8, Pages 1509–1515, (2004), https://doi.org/10.1093/bioinformatics/bti171
dc.rightsDerechos de autor 2019 Ciencia e Ingeniería Neogranadinaes-ES
dc.sourceCiencia e Ingenieria Neogranadina; Vol. 30 No. 1 (2020); 27-44en-US
dc.sourceCiencia e Ingeniería Neogranadina; Vol. 30 Núm. 1 (2020); 27-44es-ES
dc.sourceCiencia e Ingeniería Neogranadina; v. 30 n. 1 (2020); 27-44pt-BR
dc.source1909-7735
dc.source0124-8170
dc.subjectTexture measurementsen-US
dc.subjectunmanned aerial vehiclesen-US
dc.subjectbiotic stressen-US
dc.subjectsupport vector machineen-US
dc.subjectmaximum likelihooden-US
dc.subjectEspeletiaen-US
dc.subjectMedidas texturaleses-ES
dc.subjectvehículos aéreos no tripuladoses-ES
dc.subjectestrés bióticoes-ES
dc.subjectmáquinas de soporte vectoriales-ES
dc.subjectmáxima verosimilitudes-ES
dc.subjectFrailejoneses-ES
dc.titleAssessment of Image-Texture Improvement Applied to Unmanned Aerial Vehicle Imagery for the Identification of Biotic Stress in Espeletia. Case Study: Moorlands of Chingaza (Colombia)en-US
dc.titleEvaluación del aporte de las características texturales en imágenes adquiridas en vehículos aéreos no tripulados para la identificación del estrés biótico en frailejones. Caso de estudio: páramo de Chingaza (Colombia)es-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typetextoen-US


Archivos en el ítem

ArchivosTamañoFormatoVer

No hay archivos asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem