2024-10-102024-10-10https://repositorio.uan.edu.co/handle/123456789/10441In order to prevent natural flood disasters it important to identify the flood areas. In Colombia, there is space to develop automatic tools able to detect and study flood areas. For this reason, in this work we propose a computational tool in MATLAB, able to detect and classify Colombia’s flood zones in SAR imager. In particular, we used different classifiers, and according to the performance we selected the best. The training database was generated with the results of Fuzzy Clustering, K -means and Region -Growing segmentations on flood zones in SAR imagery. We used two different classifiers: the first one is a Bayes classifier, while the second one is a Support Vector Machine (SVM). In order to evaluate the performance, we used indices such as the overall accuracy, user accuracy and Kappa index. According to the results, the SVM classifier presents better accuracy. However, the Bayes classifier had better results classifying pixels corresponding to populations even with little training data.La detección de zonas de inundación es fundamental para la prevención de desastres, por este motivo en este trabajo se presenta una herramienta computacional desarrollada en MATLAB que ofrece una alternativa a las existentes en el mercado para la clasificación supervisada de imágenes SAR (Synthetic Aperture Radar) de zonas de inundación. En particular se usaron diferentes métodos de clasificación para seleccionar de acuerdo al desempeño el mejor para el estudio de zonas de inundación en Colombia.Los datos de entrenamiento fueron generados con los resultados de las segmentaciones Fuzzy-Clustering, K-means y Region-Growing sobre imágenes SAR de zonas de inundación. Los métodos de clasificación implementados fueron un clasificador basado en el método Bayesiano y un clasificador basado en máquinas de vectores de soporte (SVM). Para evaluar el desempeño de los clasificadores se utilizaron índices como la exactitud total, la exactitud dependiendo del usuario, el índice Kappay R’. De acuerdo a los resultados el clasificador basado en máquinas de soporte presenta mayor exactitud; sin embargo, el clasificador bayesiano se desempeña mejor clasificando pixeles que corresponden a poblaciones, aun con pocos datos de entrenamiento.application/pdfhttps://creativecommons.org/licenses/by-nc-sa/4.0SARClasificaciónSegmentaciónimágenes de zonas de inundaciónSARClassificationSegmentationflood areas imageryinfo:eu-repo/semantics/articlehttp://purl.org/coar/access_right/c_abf2