Look-up in Google Scholar
Full metadata record
Mejía Cabrera, Heber Iván
Sánchez Elescano, Cesar Manuel
2021-12-20T18:44:16Z
2021-12-20T18:44:16Z
2021-12-20T18:44:16Z
2021-12-20T18:44:16Z
2020
https://hdl.handle.net/20.500.12802/8991
Infraestructura, Tecnología y Medio Ambiente (lineadeinvestigacion)
Las técnicas Regresión Lineal Múltiple y Red Neuronal Artificial son dos de las técnicas más utilizadas en los trabajos relacionados al presente trabajo, con mayor uso en la clasificación, estimación y predicción de datos a partir de varias variables explicativas y una variable esperada, no obstante, pocas investigaciones concluyen que técnica es la que entrega mejores resultados en cuanto a precisión. La presente tesis tiene como objetivo determinar que técnica es la más precisa para estimar salinidad en suelos con Abundante Vegetación (Cosecha de Arroz), las técnicas en estudio son: La regresión Lineal Múltiple y Red Neuronal Multicapa. Los datos de entrada para ambas técnicas son valores numéricos relacionados a un pixel de imágenes de tipo .TIFF obtenidas del procesamiento de imágenes del satélite Landsat 8, el cálculo de los valores de las imágenes nos da como resultados índices espectrales expresadas en una nueva imagen de tipo .TIFF, el pixel es ubicado dentro de las imágenes con respecto a una coordenada UTM SUR mapeada al obtener muestras de suelos, las cuales se procesaron en el balotario de la Universidad Pedro Ruiz Gallo para obtener valores numéricos de Conductividad Eléctrica. Utilizaron el NDVI, SAVI, VSSI, NDSI como índices espectrales y otros índices de Salinidad utilizados en estudios anteriores S1, S2, S3, S4, S5. Para la estimación de salinidad a partir de los valores numéricos de índices espectrales se utilizó un modelo de regresión expresado en ecuación resultante de la aplicación de la regresión lineal múltiple, también se utilizó la función de red neuronal de la herramienta Weka, ambos resultados fueron comparados. La variable utilizada para la determinación es el Error Medio Absoluto y Error Cuadrático Medio. Los resultados muestran un mejor desempeño de la técnica de Red Neuronal Artificial al estimar salinidad en suelos con abundante vegetación con un Error Cuadrático de 0.1753. Se recomienda para futuros estudios, utilizar una cantidad mucho mayor de muestras de suelo (CE), para ajustar los valores resultantes de estimación en cada técnica. (es_PE)
Tesis (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Señor de Sipán (es_PE)
Atribución-NoComercial-SinDerivadas 2.5 Perú (*)
info:eu-repo/semantics/restrictedAccess (es_PE)
http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ (*)
Repositorio Institucional - USS (es_PE)
Repositorio Institucional USS (es_PE)
Satélite Landsat 8 (es_PE)
Regresión Lineal Múltiple (es_PE)
Red Neuronal Artificial (es_PE)
Salinidad (es_PE)
Abundante vegetación (es_PE)
Imágenes Multiespectrales (es_PE)
Índices espectrales (es_PE)
Error Cuadrático medio (es_PE)
Comparación de las técnicas de regresión lineal múltiple y red neuronal artificial para estimar el grado de salinidad en suelos con abundante vegetación mediante el procesamiento de imágenes (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo (es_PE)
Ingeniería de Sistemas (es_PE)
Ingeniero de Sistemas (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#2.02.04 (es_PE)
http://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
41639565
https://orcid.org/0000-0002-0007-0928 (es_PE)
76579779
612076 (es_PE)
Celis Bravo, Percy Javier
Mejía Cabrera, Heber Ivan
Ramos Moscol, Mario Fernando
http://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons