Los paisajes agrícolas y ganaderos están estrechamente relacionados con el flujo de
carbono, ya que actúan como reservorios de carbono en forma de biomasa. La
evaluación de las reservas de carbono almacenadas en estas zonas es importante
para apoyar la toma de decisiones que impidan que estas zonas se conviertan en
fuentes de emisión de carbono. Sin embargo, las técnicas tradicionales de
estimación de las reservas de carbono requieren un muestreo in situ, lo que supone
una tarea extenuante, arriesgada, costosa DE escasa cobertura. En este estudio,
proponemos una metodología, basada en imágenes multiespectrales capturadas por
drones y modelos de aprendizaje profundo, para automatizar la tarea de estimar
mapas de reservas de carbono almacenados en paisajes agrícolas y ganaderos.
Aplicamos una arquitectura de red neuronal U-Net para discriminar las zonas
arbóreas y pastizales. Luego, se desarrolla un modelo basado en redes neuronales
convolucionales para la estimación de la densidad de carbono a partir de imágenes
multiespectrales. Resultados experimentales en paisajes agrícolas y ganaderos de la
Amazonía peruana mostraron la efectividad de la metodología propuesta, reportando
un mIoU de 87%, un RMSE de 2.44 para zonas arbóreas, y un RMSE de 1.84 para
zonas de pastura. Concluimos que la estimación de la densidad de carbono es
alcanzable con el enfoque propuesto. Esta metodología puede ser útil para la toma
de decisiones y puede contribuir a la gestión o al control del cambio climático. / Agricultural and livestock landscapes are closely related to carbon flux, serving as carbon 1 reservoirs in the form of biomass.The assessment of carbon stocks stored in these areas is important to 2 support decision-making that prevents these areas from becoming carbone misión sources. However, 3 traditional carbon stock estimation techniques require on-site sampling, which is a strenuous, risky, 4 expensive and low-coverage task. In this study, we propose a methodology, based on multispectral 5 images captured by drones and Deep learning models, to automate the task of estimating maps of 6 carbon stocks sequestered in agricultural and livestock landscapes. We applied U-Net neural network 7 architecture to discriminate arboreal and grasslands zones. Then, a convolutional neural-network 8 based model is developed for carbon density estimation from multispectral images. Experimental 9 results on agricultural and livestock landscapes in Peruvian Amazon regions showed the effectiveness 10 of the proposed methodology, reporting mIoU of 87%, RMSE of 2.44 for arboreal zones, and RMSE 11 of 1.84 for grassland zones. We conclude that the carbon density estimation is achievable with the 12 proposed approach. This methodology can be helpful for decision-making and may contribute to the 13 management or controlling climate change.
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/26749 |
| Date | 10 January 2024 |
| Creators | Tovar Galarreta, Juan Carlos Alfredo |
| Contributors | Villanueva Talavera, Edwin Rafael |
| Publisher | Pontificia Universidad Católica del Perú, PE |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | English |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/masterThesis |
| Format | application/pdf, application/pdf |
| Rights | info:eu-repo/semantics/closedAccess |
Page generated in 0.0024 seconds