Mostrar el registro sencillo del ítem

dc.date.available
2024-01-02T15:36:33Z  
dc.identifier.citation
Liberoff, Ana Laura; Flaherty, Silvia; Pessacg, Natalia Liz; Trujillo Jiménez, Magda Alexandra; Pacheco, Cristian; Díaz, Lucas Damián; (2024): Mapa de uso y cobertura del suelo del valle agrícola de la cuenca baja del Río Chubut. Consejo Nacional de Investigaciones Científicas y Técnicas. (dataset). http://hdl.handle.net/11336/222054  
dc.identifier.uri
http://hdl.handle.net/11336/222054  
dc.description.abstract
El mapa de uso y cobertura del suelo del valle agrícola del VIRCH (Valle Inferior del Río Chubut) fue generado por el Laboratorio EcoFluvial (IPEEC-CONICET) en colaboración con el IPCSH-CONICET, UNPSJB e INTA. El mismo representa 10 clases de uso y cobertura del suelo (Agua, Arbustal, Corrales, Construido, Invernaderos, Hortalizas, Frutales, Pasturas y Pasturas degradadas) para el año 2019 con una resolución de 10 x 10 m. La precisión global del mapa es de 85%. Para su elaboración se utilizaron imágenes satelitales Sentinel-2 para las fechas 12/09/2018, 12/10/2018, 31/12/2018, 25/01/2019, 26/03/2019, 20/04/2019. Los datos de campo fueron recolectados entre junio del 2018 y marzo del 2019. El algoritmo de clasificación que se utilizó fue creado por este grupo de trabajo y publicado en Trujillo et al. (2022) y mejorado por Liberoff et al (en revisión). El proceso de elaboración y validación del mapa involucró la participación social de distintos sectores mediante entrevistas, encuentros y talleres.  
dc.rights
info:eu-repo/semantics/openAccess  
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/  
dc.title
Mapa de uso y cobertura del suelo del valle agrícola de la cuenca baja del Río Chubut  
dc.type
dataset  
dc.date.updated
2024-01-02T14:53:38Z  
dc.description.fil
Fil: Liberoff, Ana Laura. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Centro Nacional Patagónico. Instituto Patagónico para el Estudio de los Ecosistemas Continentales; Argentina  
dc.description.fil
Fil: Flaherty, Silvia. Universidad Nacional de la Patagonia "San Juan Bosco"; Argentina  
dc.description.fil
Fil: Pessacg, Natalia Liz. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Centro Nacional Patagónico. Instituto Patagónico para el Estudio de los Ecosistemas Continentales; Argentina  
dc.description.fil
Fil: Trujillo Jiménez, Magda Alexandra. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Centro Nacional Patagónico. Instituto Patagónico de Ciencias Sociales y Humanas; Argentina. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina  
dc.description.fil
Fil: Pacheco, Cristian. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Centro Nacional Patagónico. Instituto Patagónico para el Estudio de los Ecosistemas Continentales; Argentina  
dc.description.fil
Fil: Díaz, Lucas Damián. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Instituto Nacional de Tecnología Agropecuaria. Centro Regional Patagonia Sur; Argentina  
dc.datacite.PublicationYear
2024  
dc.datacite.Creator
Liberoff, Ana Laura  
dc.datacite.Creator
Flaherty, Silvia  
dc.datacite.Creator
Pessacg, Natalia Liz  
dc.datacite.Creator
Trujillo Jiménez, Magda Alexandra  
dc.datacite.Creator
Pacheco, Cristian  
dc.datacite.Creator
Díaz, Lucas Damián  
dc.datacite.affiliation
Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Centro Nacional Patagónico. Instituto Patagónico para el Estudio de los Ecosistemas Continentales  
dc.datacite.affiliation
Universidad Nacional de la Patagonia "San Juan Bosco"  
dc.datacite.affiliation
Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Centro Nacional Patagónico. Instituto Patagónico para el Estudio de los Ecosistemas Continentales  
dc.datacite.affiliation
Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras  
dc.datacite.affiliation
Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Centro Nacional Patagónico. Instituto Patagónico de Ciencias Sociales y Humanas  
dc.datacite.affiliation
Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Centro Nacional Patagónico. Instituto Patagónico para el Estudio de los Ecosistemas Continentales  
dc.datacite.affiliation
Consejo Nacional de Investigaciones Científicas y Técnicas  
dc.datacite.affiliation
Instituto Nacional de Tecnología Agropecuaria. Centro Regional Patagonia Sur  
dc.datacite.publisher
Consejo Nacional de Investigaciones Científicas y Técnicas  
dc.datacite.subject
Otras Ciencias de la Tierra y relacionadas con el Medio Ambiente  
dc.datacite.date
27/12/2023  
dc.datacite.DateType
Creado  
dc.datacite.language
spa  
dc.datacite.version
1.0  
dc.datacite.description
Se presenta el mapa en diferentes formatos y calidades: Imagen TIF e imagen PNG, y formato KMZ / XML usado en presentación de datos geográficos.  
dc.datacite.description
La clasificación de UyCS se realizó mediante el algoritmo SatRed v.2. SatRed es un modelo basado en redes neuronales para la clasificación del uso y cobertura del suelo utilizando imágenes satelitales (Trujillo-Jiménez et al. 2022). Este modelo cuenta con 4 capas secuenciales densamente conectadas. SatRed v.2 incorpora el post-procesamiento de las imágenes clasificadas con el fin de producir un efecto de parcelas más homogéneas y eliminar píxeles aislados que generan el efecto conocido como “sal y pimienta”. Este proceso utiliza parámetros específicos para cada cobertura de UyCS que deben ser revisados para cada caso particular y que son invocados por SatRed v.2 a través de una tabla en formato de valores separados por coma (.csv). El algoritmo de SatRed v.2 y todos los parámetros asociados al modelado de UyCS considerados en este trabajo se encuentran disponibles en https://github.com/aletrujim/SatRed/tree/main/satred2. El modelo de clasificación se entrenó en una máquina virtual patrocinada por Microsoft Azure 2, con el sistema operativo Windows Server 2016 Datacenter, de tamaño NC6 estándar (6 vCPUs [Intel Xeon CPU E5-2690 v3 2,60 GHz], con 56 GB de memoria RAM y un coprocesador GPU NVIDIA Tesla K80). Para incorporar el post-procesamiento se utilizaron los modelos pre-entrenados en la máquina virtual pero se corrieron en un equipo local con sistema operativo Fedora Linux 36 (Intel Core i7-4765T 2 Ghz, con 32 GB y un coprocesador GPU NVIDIA GeForce GTX 1660 Super). Los algoritmos se implementaron utilizando el lenguaje de programación Python. Como datos de entrada del algoritmo SatRed v.2 se utilizaron datos de campo e imágenes satelitales multi-espectrales y multi-temporales. En distintas etapas del proceso de generación y validación del mapa se incorporó conocimiento local, mediante entrevistas, encuentros y talleres que habilitaron procesos de intercambio de saberes y experiencias. Con respecto a las imágenes satelitales, se utilizaron tres teselas (T19GGM, T19GG y T20GLT) de Sentinel-2 para las fechas 12/09/2018, 12/10/2018, 31/12/2018, 25/01/2019, 26/03/2019, 20/04/2019. Las imágenes se descargaron de forma gratuita de la plataforma Copernicus. Se descartaron las tres bandas espectrales que proporcionan datos correspondientes a la atmósfera y sus componentes (Banda 1-aerosol/costero, Banda 9-vapor de agua y Banda 10 - cirros). Las seis bandas espectrales que tienen 20 m de resolución espacial (Bandas 5, 6 y 7- vegetation red edge; Banda 8A- narrow NIR y Bandas 11 y 12- SWIR 1 y 2) se re-muestrearon a 10 m y se combinaron con las cuatro bandas espectrales de 10 m (Banda 2- Azul, Banda 3- Verde, Banda 4-Rojo y Banda 8-NIR). De esta manera se generó un archivo multi-capas de 10 bandas espectrales con 10 m de resolución espacial para cada una de las teselas, un mosaico con los tres archivos multi-capas y posteriormente un recorte del área de estudio. Finalmente se generó un archivo de bandas apiladas multi-espectral y multi-temporal que combinó las 60 bandas espectrales correspondientes a las 6 fechas utilizadas. Todo el procesamiento de las imágenes se llevó a cabo utilizando software gratuito de SIG (QGIS v 3.4). Para reunir los datos necesarios para entrenar y validar la clasificación, se realizaron salidas de campo en junio, julio, agosto, septiembre, noviembre y diciembre del 2018, y en enero, febrero y marzo del 2019. En estas salidas, se tomaron fotos georreferenciadas en lugares representativos de las categorías definidas y se registró para cada foto el tipo de uso/cobertura del suelo. Las fotos georreferenciadas se utilizaron para generar un archivo vectorial de puntos, a partir de los cuales se generaron manualmente polígonos que encierran un área correspondiente a alguna de las categorías de UyCS. Para complementar la información de campo, se utilizaron imágenes de alta resolución de Google Earth a partir de las cuales se digitalizaron polígonos correspondientes a UyCS fáciles de identificar (por ejemplo, construcciones, agua, invernaderos). Finalmente, las capas vectoriales de polígonos fueron convertidas a capas ráster con el mismo tamaño (filas y columnas) y la misma resolución espacial (10 m) que las imágenes Sentinel-2 MSI utilizadas, ya que este es un requerimiento para la clasificación con el algoritmo SatRed. El conjunto de datos de campo se dividió al azar en dos sub-sets (entrenamiento 80% y evaluación 20%). Esta división al azar se realizó 6 veces de manera de obtener 6 versiones del modelo. El mapa final fue confeccionado utilizando el valor más frecuente para cada pixel (moda, n=6). La Precisión global del mapa final es 85%, la Exhaustividad 83% y el índice F1 84%.  
dc.datacite.DescriptionType
Información Técnica  
dc.datacite.DescriptionType
Métodos  
dc.datacite.FundingReference
PICT 2018-03538  
dc.datacite.FundingReference
P-UE 22920160100044  
dc.datacite.FundingReference
PIBAA 2022-2023 IR: Ana L. Liberoff  
dc.datacite.FundingReference
AI for Earth 2018  
dc.datacite.FundingReference
AI for Innovation 2021-2023  
dc.datacite.FunderName
Ministerio de Ciencia, Tecnología e Innovación Productiva. Agencia Nacional de Promoción Científica y Tecnológica. Fondo para la Investigación Científica y Tecnológica  
dc.datacite.FunderName
Consejo Nacional de Investigaciones Científicas y Técnicas  
dc.datacite.FunderName
Consejo Nacional de Investigaciones Científicas y Técnicas  
dc.datacite.FunderName
MICROSOFT  
dc.datacite.FunderName
THE NATIONAL GEOGRAPHIC SOCIETY  
dc.relationtype.isSourceOf
11336/203761  
dc.subject.keyword
CULTIVOS  
dc.subject.keyword
AGRÍCOLA  
dc.subject.keyword
INTELIGENCIA ARTIFICIAL  
dc.subject.keyword
IMÁGENES SATELITALES  
dc.subject.keyword
PROCESOS PARTICIPATIVOS  
dc.subject.keyword
RÍO CHUBUT  
dc.subject.keyword
PATAGONIA  
dc.datacite.resourceTypeGeneral
dataset  
dc.conicet.datoinvestigacionid
14224  
dc.datacite.awardTitle
Proyectos de Investigación Científica y Tecnológica (PICT)  
dc.datacite.awardTitle
Proyecto Unidad Ejecutora (PUE)  
dc.datacite.awardTitle
Proyectos de Investigación Bianual (PIBAA)  
dc.datacite.awardTitle
Artificial intelligence for land use/land cover classification and mapping in an agricultural valley of Patagonia, Argentina  
dc.datacite.awardTitle
Automated land use/land cover mapping using AI and citizen science in an agricultural semi-arid basin in Patagonia  
dc.datacite.geolocation
Cuenca del río Chubut  
dc.datacite.formatedDate
2023