Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)

Descripción del Articulo

Universidad Nacional Agraria La Molina. Facultad de Ingeniería Agrícola. Departamento Académico de Ordenamiento Territorial y Construcción
Detalles Bibliográficos
Autor: Mattus Zapata, Jose Carlos
Fecha de Publicación:2021
Institución:Universidad Nacional Agraria La Molina
Repositorio:UNALM-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.lamolina.edu.pe:20.500.12996/4655
Enlace del recurso:https://hdl.handle.net/20.500.12996/4655
Materia:Vivienda
Diseño
Construcción
Evaluación
Río Chillón
Machine Learning
https://purl.org/pe-repo/ocde/ford#2.01.03
id UNAL_3e4e85c0af78e743750ec64ede3d80d3
oai_identifier_str oai:repositorio.lamolina.edu.pe:20.500.12996/4655
network_acronym_str UNAL
network_name_str UNALM-Institucional
repository_id_str 3039
dc.title.none.fl_str_mv Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
title Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
spellingShingle Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
Mattus Zapata, Jose Carlos
Vivienda
Diseño
Construcción
Evaluación
Río Chillón
Machine Learning
https://purl.org/pe-repo/ocde/ford#2.01.03
title_short Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
title_full Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
title_fullStr Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
title_full_unstemmed Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
title_sort Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
author Mattus Zapata, Jose Carlos
author_facet Mattus Zapata, Jose Carlos
author_role author
dc.contributor.advisor.fl_str_mv Peña Guillén, Victor Levingston
dc.contributor.author.fl_str_mv Mattus Zapata, Jose Carlos
dc.subject.none.fl_str_mv Vivienda
Diseño
Construcción
Evaluación
Río Chillón
Machine Learning
topic Vivienda
Diseño
Construcción
Evaluación
Río Chillón
Machine Learning
https://purl.org/pe-repo/ocde/ford#2.01.03
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.01.03
description Universidad Nacional Agraria La Molina. Facultad de Ingeniería Agrícola. Departamento Académico de Ordenamiento Territorial y Construcción
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-04-13T03:26:34Z
dc.date.available.none.fl_str_mv 2021-04-13T03:26:34Z
dc.date.issued.fl_str_mv 2021
dc.type.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.version.none.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12996/4655
url https://hdl.handle.net/20.500.12996/4655
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional Agraria La Molina
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad Nacional Agraria La Molina
dc.source.none.fl_str_mv reponame:UNALM-Institucional
instname:Universidad Nacional Agraria La Molina
instacron:UNALM
instname_str Universidad Nacional Agraria La Molina
instacron_str UNALM
institution UNALM
reponame_str UNALM-Institucional
collection UNALM-Institucional
bitstream.url.fl_str_mv https://repositorio.lamolina.edu.pe/bitstreams/4d23a091-2b78-4df9-a0eb-2f2e648d8777/download
https://repositorio.lamolina.edu.pe/bitstreams/f05fdf78-82a4-43d5-b890-ea7f3638f3ce/download
https://repositorio.lamolina.edu.pe/bitstreams/d4173830-5302-4377-9c2e-c4b86d475094/download
https://repositorio.lamolina.edu.pe/bitstreams/34ff59f7-02a3-4b69-8b53-9f6d1c778bf8/download
bitstream.checksum.fl_str_mv 97c5bee00fbb4c4f8867bd742b579336
f0ae9aacacbb914020e2cb5adcb9e970
042d7f4a80d274ab31356ceea37974dc
37c5763db0e84ceadfa598f4c5e3b79a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Nacional Agraria La Molina
repository.mail.fl_str_mv dspace@lamolina.edu.pe
_version_ 1870368864236208128
spelling Peña Guillén, Victor Levingston98bb0b7d-f33a-4c7c-bd63-06f56abc8f21Mattus Zapata, Jose Carlos2021-04-13T03:26:34Z2021-04-13T03:26:34Z2021https://hdl.handle.net/20.500.12996/4655Universidad Nacional Agraria La Molina. Facultad de Ingeniería Agrícola. Departamento Académico de Ordenamiento Territorial y ConstrucciónLa presente investigación profundiza en la aplicación del aprendizaje automático por medio de la clasificación supervisada a escala de vivienda. Este estudio emplea dos modelos de Aprendizaje Automático (Redes Neuronales Convolucionales y Clasificador Bayesiano) para la identificación de estados constructivos durante el proceso de auto construcción. Los ejemplos tomados en cuenta se localizan en el distrito de Carabayllo, Lima. La investigación se propone adaptar dos algoritmos de Aprendizaje Automático y comparar su eficiencia. Para alcanzar esos objetivos, se realiza primero, la recolección de imágenes del lugar de estudio que conformarán la base de datos del estudio; en segundo lugar, se adapta el código de los modelos para el reconocimiento visual automatizado de los estados constructivos. En el primer proceso se eligen puntos de referencia de las manzanas seleccionadas; a partir de estos se extraerán imágenes de alta resolución de libre disponibilidad. Seguidamente se realiza un pretratamiento de las imágenes para la digitalización de los lotes individuales. Posteriormente se clasificaron según estados constructivos, siguiendo metodologías validadas en diferentes estudios. El resultado fue un total de 117 imágenes clasificadas y georreferenciadas. En el segundo proceso, adaptan los códigos de cada modelo, considerando las rutas de ingreso a la base de datos, el formato de ingreso de las imágenes, la estructura, sus parámetros. Finalmente, se realiza la validación empleando dos diferentes métodos. Los resultados muestran una fuerza de concordancia “moderada” por parte del Clasificador Bayesiano, superando así en distintos aspectos al modelo de Red Neuronal Convolucional.This research deepens in the application of machine learning trough the supervised classification in a house level scale. Here, we proposed the usage of two Machine Learning models (Covolutional Neural Networks and Naïve Bayes Classifier) for the identification of constructive states during the self-construction process. The examples are located in the Carabayllo district, Lima province. The research aims to adapt two algorithms of Machine Learning and compare their efficiency. To achieve this objective, we first gather free-usage images of the area of interest, conforming the basic data of the study. Following, we adapt the models codes for the computer vision task aiming the constructive states. In the first process, we select references points for the targeted blocks, using them we will extract freehigh resolution images. After that, the constructive states were classified manually, following validated methods in various researches. Resulting in a total of 117 georeferenced images. The second process involve the adaption of each models codes, taking into account the paths of the basic data, size of images, structure and parameters. Finally, a validation is performed using two different methods. Resulting in a “moderate” strength of agreement in the case of Naïve Bayes classifier, outperforming the Convolutional Neural Network in several bearings.application/pdfspaUniversidad Nacional Agraria La MolinaPEhttp://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-nd/4.0/ViviendaDiseñoConstrucciónEvaluaciónRío ChillónMachine Learninghttps://purl.org/pe-repo/ocde/ford#2.01.03Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)http://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85reponame:UNALM-Institucionalinstname:Universidad Nacional Agraria La Molinainstacron:UNALMIngeniería AgrícolaUniversidad Nacional Agraria La Molina. Facultad de Ingeniería AgrícolaIngeniero Agrícola75674943https://orcid.org/0000-0003-0786-794509653346https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/level#tituloProfesional811096Linares Zaferson, Víctor EduardoTorres Murga, Saúl MoisésBravo Aguilar, Carlos AlbertoLICENSElicense.txtlicense.txttext/plain; charset=utf-81664https://repositorio.lamolina.edu.pe/bitstreams/4d23a091-2b78-4df9-a0eb-2f2e648d8777/download97c5bee00fbb4c4f8867bd742b579336MD52ORIGINALmattus-zapata-josé-carlos.pdfmattus-zapata-josé-carlos.pdfTexto completoapplication/pdf3077101https://repositorio.lamolina.edu.pe/bitstreams/f05fdf78-82a4-43d5-b890-ea7f3638f3ce/downloadf0ae9aacacbb914020e2cb5adcb9e970MD51TEXTmattus-zapata-josé-carlos.pdf.txtmattus-zapata-josé-carlos.pdf.txtExtracted texttext/plain165853https://repositorio.lamolina.edu.pe/bitstreams/d4173830-5302-4377-9c2e-c4b86d475094/download042d7f4a80d274ab31356ceea37974dcMD53THUMBNAILmattus-zapata-josé-carlos.pdf.jpgmattus-zapata-josé-carlos.pdf.jpgGenerated Thumbnailimage/jpeg3423https://repositorio.lamolina.edu.pe/bitstreams/34ff59f7-02a3-4b69-8b53-9f6d1c778bf8/download37c5763db0e84ceadfa598f4c5e3b79aMD5420.500.12996/4655oai:repositorio.lamolina.edu.pe:20.500.12996/46552023-01-05 04:08:48.957https://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2open.accesshttps://repositorio.lamolina.edu.peRepositorio Universidad Nacional Agraria La Molinadspace@lamolina.edu.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
score 13.075366
Identificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares