摘要：Este trabajo presenta la combinación de dos técnicas modernas: Redes Neuronales Artificiales y Teledetección. Se desarrolló un modelo de distribución espacial basado en Redes Neuronales Artificiales que determina la relación existente entre la concentración de material en suspensión (MES) en un cuerpo lagunar y un conjunto de valores de reflectividades medidos con sensores remotos de la serie LANDSAT (5 y 7) basado en la estrategia desarrollada por O. Dölling (2001) para selección de variables explicativas, diseño, entrenamiento y validación de modelos de redes. El lugar de estudio seleccionado es la laguna de Los Patos - Brasil. La metodología utilizada para entrenar las Redes Neuronales se basó en un aprendizaje de tipo supervisado. Los valores de entrada correspondieron a reflectividades de distintas bandas, mientras que los de salida correspondieron a valores de MES medidos en 4 campañas de monitoreo durante el año 1999 sobre 10 estaciones cada una, lo que hace un total de 40 ejemplos procesados. La Red Neuronal Artificial ajustada entrega valores correctos (error menor que 20%) de MES para datos de reflectividades que no se tuvieron en cuenta durante el proceso de entrenamiento, garantizando una buena capacidad de generalización y su validez de aplicación en un modelo de distribución espacial de parámetros sedimentológicos.
其他摘要：Este trabajo presenta la combinación de dos técnicas modernas: Redes Neuronales Artificiales y Teledetección. Se desarrolló un modelo de distribución espacial basado en Redes Neuronales Artificiales que determina la relación existente entre la concentración de material en suspensión (MES) en un cuerpo lagunar y un conjunto de valores de reflectividades medidos con sensores remotos de la serie LANDSAT (5 y 7) basado en la estrategia desarrollada por O. Dölling (2001) para selección de variables explicativas, diseño, entrenamiento y validación de modelos de redes. El lugar de estudio seleccionado es la laguna de Los Patos - Brasil. La metodología utilizada para entrenar las Redes Neuronales se basó en un aprendizaje de tipo supervisado. Los valores de entrada correspondieron a reflectividades de distintas bandas, mientras que los de salida correspondieron a valores de MES medidos en 4 campañas de monitoreo durante el año 1999 sobre 10 estaciones cada una, lo que hace un total de 40 ejemplos procesados. La Red Neuronal Artificial ajustada entrega valores correctos (error menor que 20%) de MES para datos de reflectividades que no se tuvieron en cuenta durante el proceso de entrenamiento, garantizando una buena capacidad de generalización y su validez de aplicación en un modelo de distribución espacial de parámetros sedimentológicos.
