1. RODNA
  2. CONICET
  3. CONICET
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.creatorRevollo Sarmiento, Gisela Noelia-
dc.creatorCipolletti, Marina Paola-
dc.creatorPerillo, Mauricio Miguel-
dc.creatorDelrieux, Claudio Augusto-
dc.creatorPerillo, Gerardo Miguel E.-
dc.date2017-09-27T17:34:25Z-
dc.date2017-09-27T17:34:25Z-
dc.date2016-01-
dc.date2017-08-08T14:39:06Z-
dc.date.accessioned2019-04-29T15:26:38Z-
dc.date.available2019-04-29T15:26:38Z-
dc.date.issued2016-01-
dc.identifierRevollo Sarmiento, Gisela Noelia; Cipolletti, Marina Paola; Perillo, Mauricio Miguel; Delrieux, Claudio Augusto; Perillo, Gerardo Miguel E.; Methodology for classification of geographical features with remote sensing images: Application to tidal flats; Elsevier Science; Geomorphology; 257; 1-2016; 10-22-
dc.identifier0169-555X-
dc.identifierhttp://hdl.handle.net/11336/25224-
dc.identifierCONICET Digital-
dc.identifierCONICET-
dc.identifier.urihttp://rodna.bn.gov.ar:8080/jspui/handle/bnmm/294258-
dc.descriptionTidal flats generally exhibit ponds of diverse size, shape, orientation and origin. Studying the genesis, evolution, stability and erosive mechanisms of these geographic features is critical to understand the dynamics of coastal wetlands. However, monitoring these locations through direct access is hard and expensive, not always feasible, and environmentally damaging. Processing remote sensing images is a natural alternative for the extraction of qualitative and quantitative data due to their non-invasive nature. In this work, a robust methodology for automatic classification of ponds and tidal creeks in tidal flats using Google Earth images is proposed. The applicability of our method is tested in nine zones with different morphological settings. Each zone is processed by a segmentation stage, where ponds and tidal creeks are identified. Next, each geographical feature is measured and a set of shape descriptors is calculated. This dataset, together with a-priori classification of each geographical feature, is used to define a regression model, which allows an extensive automatic classification of large volumes of data discriminating ponds and tidal creeks against other various geographical features. In all cases, we identified and automatically classified different geographic features with an average accuracy over 90% (89.7% in the worst case, and 99.4% in the best case). These results show the feasibility of using freely available Google Earth imagery for the automatic identification and classification of complex geographical features. Also, the presented methodology may be easily applied in other wetlands of the world and perhaps employing other remote sensing imagery.-
dc.descriptionFil: Revollo Sarmiento, Gisela Noelia. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía; Argentina-
dc.descriptionFil: Cipolletti, Marina Paola. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones en Ingeniería Eléctrica "Alfredo Desages". Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras. Instituto de Investigaciones en Ingeniería Eléctrica "Alfredo Desages"; Argentina-
dc.descriptionFil: Perillo, Mauricio Miguel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía; Argentina. ExxonMobil Upstream Research Company; Estados Unidos-
dc.descriptionFil: Delrieux, Claudio Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones en Ingeniería Eléctrica "Alfredo Desages". Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras. Instituto de Investigaciones en Ingeniería Eléctrica "Alfredo Desages"; Argentina-
dc.descriptionFil: Perillo, Gerardo Miguel E.. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto Argentino de Oceanografía. Universidad Nacional del Sur. Instituto Argentino de Oceanografía; Argentina-
dc.formatapplication/pdf-
dc.formatapplication/pdf-
dc.formatapplication/pdf-
dc.formatapplication/pdf-
dc.formatapplication/pdf-
dc.languageeng-
dc.publisherElsevier Science-
dc.relationinfo:eu-repo/semantics/altIdentifier/url/http://www.sciencedirect.com/science/article/pii/S0169555X15302403-
dc.relationinfo:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1016/j.geomorph.2015.12.020-
dc.rightsinfo:eu-repo/semantics/restrictedAccess-
dc.rightshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/-
dc.sourcereponame:CONICET Digital (CONICET)-
dc.sourceinstname:Consejo Nacional de Investigaciones Científicas y Técnicas-
dc.sourceinstacron:CONICET-
dc.subjectPONDS-
dc.subjectTIDAL COURSES-
dc.subjectOBJECT DETECTION-
dc.subjectSHAPE DESCRIPTOR-
dc.subjectOceanografía, Hidrología, Recursos Hídricos-
dc.subjectCiencias de la Tierra y relacionadas con el Medio Ambiente-
dc.subjectCIENCIAS NATURALES Y EXACTAS-
dc.titleMethodology for classification of geographical features with remote sensing images: Application to tidal flats-
dc.typeinfo:eu-repo/semantics/article-
dc.typeinfo:eu-repo/semantics/publishedVersion-
dc.typeinfo:ar-repo/semantics/articulo-
Aparece en las colecciones: CONICET

Ficheros en este ítem:
No hay ficheros asociados a este ítem.
Mostrar el registro sencillo del ítem