Corrección atmosférica de imágenes de satélite por métodos de aprendizaje automático
El objetivo de la corrección atmosférica es determinar el valor real de reflectancia de la superficie de la Tierra, a partir de la reflectancia aparente medida por el sensor. Constituye la parte más importante del pre-procesamiento de datos obtenidos mediante teledetección por satélite. Los procedim...
| Autor: | |
|---|---|
| Formato: | tesis doctoral |
| Fecha de publicación: | 2014 |
| País: | España |
| Recursos: | Universidad de Valladolid |
| Repositorio: | UVaDOC. Repositorio Documental de la Universidad de Valladolid |
| OAI Identifier: | oai:uvadoc.uva.es:10324/9820 |
| Acesso em linha: | https://doi.org/10.35376/10324/9820 http://uvadoc.uva.es/handle/10324/9820 |
| Access Level: | acceso abierto |
| Palavra-chave: | Satélites artificiales en teledetección Atmósfera Análisis multivariante Meteorología |
| Resumo: | El objetivo de la corrección atmosférica es determinar el valor real de reflectancia de la superficie de la Tierra, a partir de la reflectancia aparente medida por el sensor. Constituye la parte más importante del pre-procesamiento de datos obtenidos mediante teledetección por satélite. Los procedimientos clásicos de corrección utilizan modelos de transferencia radiativa que suponen el estado atmosférico estático, sin atender a sus condiciones cambiantes, tanto espaciales como temporales. De esta manera, el coste computacional que se ahorra es muy significativo pero, dicha simplificación, difiere notablemente de la situación real. Suponiendo conocidos los campos dinámicos que determinan el estado de la atmósfera, la metodología clásica de corrección atmosférica mediante estos modelos, involucraría la ejecución de los mismos en cada punto, resultando inabordable debido al coste computacional que conllevaría. En este trabajo se propone una alternativa que considera la dependencia espacial y temporal de las condiciones atmosféricas sustituyendo, parcialmente, el uso del modelo de transferencia por el algoritmo de aprendizaje automático más adecuado. De esa manera, conseguimos reducir el tiempo de cálculo sustancialmente. En esta tesis evaluamos la habilidad de seis algoritmos de aprendizaje automático diferentes para resolver el problema. Paralelamente, estudiamos los conjuntos de variables más adecuados, para la resolución del problema en cada banda de la imagen. Finalmente, tras haber elegido el método más adecuado para sustituir el modelo de transferencia radiativa, y haciendo uso del subconjunto de variables seleccionado, llevamos a cabo la corrección de la imagen en cada una de las bandas. |
|---|