Sonia Constanza Garzón Martínez
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Sonia Constanza Garzón Martínez has a total of 12 co-authors. Here are the top co-authors by number of shared publications:
- Alejandro Coca-Castro
The Alan Turing Institute, London, UK
1 shared publication Andrés Enrique Rosso Mateús
Instituto Geográfico Agustín Codazzi, Centro de Investigación y Desarrollo en Información Geográfica - CIAF
1 shared publicationAngie L. Avendaño-Gomez
Instituto Geográfico Agustín Codazzi
1 shared publication- Anibal Montero Leguizamón
Departamento Administrativo Nacional de Estadística
1 shared publication - Carlos A. Franco Prieto
Instituto Geográfico Agustín Codazzi
1 shared publication - Heidy B. Posada-Fandiño
Instituto Geográfico Agustín Codazzi
1 shared publication
Latest Publications
- Open Access
- 1 January 2025
- Published by Universidad de Caldas in Luna Azul
- No. 60
Revisión de literatura sobre técnicas prospectivas del cambio de cobertura y uso del suelo
Objetivo. Se realizó una revisión sistemática de la literatura para identificar los avances en las aplicaciones basadas en algoritmos de aprendizaje automático y aprendizaje profundo para el análisis del cambio de cobertura y uso del suelo con fines prospectivos, sus covariables y las denominaciones de las clasificaciones de cobertura y uso del suelo. Metodología. Se llevo a cabo una recuperación bibliográfica, consultando diferentes bibliotecas digitales, a partir de una ecuación de búsqueda delimitada al periodo de estudio entre los años 2000 a 2024. Posteriormente, se aplicó una lectura por niveles para extraer la información relevante al estudio, la cual consistió en la revisión de las secciones de introducción, métodos, figuras, tablas, resultados y conclusiones, para generar las anotaciones pertinentes con la investigación. Resultados. Se obtuvo un total de 55 estudios, entre artículos, libros y trabajos de tesis, de los cuales se les resumió y extrajo la información pertinente a la investigación, para luego relacionarla con la discriminación por tipos de cobertura y uso del suelo, factores impulsores del cambio, y las técnicas de aprendizaje automático frecuentemente utilizadas. Adicionalmente, se realizó una citación de los conceptos claves de la modelación del cambio de cobertura y uso del suelo con autómatas celulares. Conclusiones. Cuando el análisis del cambio de cobertura y uso del suelo apunta hacia objetivos prospectivos, el uso de autómatas celulares es destacable, por la posibilidad de generar simulaciones de posibles líneas futuras, posibilitando el análisis de escenarios, así como deducir y recrear las reglas de transición entre diferentes tipos de cobertura o usos del suelo, de forma automatizada y estadísticamente evaluable.
- 1 January 2025
- Published by Universidad de Caldas in Luna Azul
- No. 60
Open AccessRevisión de literatura sobre técnicas prospectivas del cambio de cobertura y uso del suelo
Objetivo. Se realizó una revisión sistemática de la literatura para identificar los avances en las aplicaciones basadas en algoritmos de aprendizaje automático y aprendizaje profundo para el análisis del cambio de cobertura y uso del suelo con fines prospectivos, sus covariables y las denominaciones de las clasificaciones de cobertura y uso del suelo. Metodología. Se llevo a cabo una recuperación bibliográfica, consultando diferentes bibliotecas digitales, a partir de una ecuación de búsqueda delimitada al periodo de estudio entre los años 2000 a 2024. Posteriormente, se aplicó una lectura por niveles para extraer la información relevante al estudio, la cual consistió en la revisión de las secciones de introducción, métodos, figuras, tablas, resultados y conclusiones, para generar las anotaciones pertinentes con la investigación. Resultados. Se obtuvo un total de 55 estudios, entre artículos, libros y trabajos de tesis, de los cuales se les resumió y extrajo la información pertinente a la investigación, para luego relacionarla con la discriminación por tipos de cobertura y uso del suelo, factores impulsores del cambio, y las técnicas de aprendizaje automático frecuentemente utilizadas. Adicionalmente, se realizó una citación de los conceptos claves de la modelación del cambio de cobertura y uso del suelo con autómatas celulares. Conclusiones. Cuando el análisis del cambio de cobertura y uso del suelo apunta hacia objetivos prospectivos, el uso de autómatas celulares es destacable, por la posibilidad de generar simulaciones de posibles líneas futuras, posibilitando el análisis de escenarios, así como deducir y recrear las reglas de transición entre diferentes tipos de cobertura o usos del suelo, de forma automatizada y estadísticamente evaluable.
- Open Access
- 12 August 2022
- Published by Universidad Distrital Francisco Jose de Caldas in Ingeniería
- Vol. 27 (3) , e17952
Metodología para obtención y análisis de datos inmobiliarios usando fuentes alternativas: estudio de caso en tres ciudades intermedias de Colombia
Contexto: La política pública de Catastro Multipropósito necesita consolidar información inmobiliaria de diferentes fuentes para su análisis, tales como ofertas, transacciones y costos de construcción, entre otros. Las páginas web inmobiliarias forman parte de estas fuentes de información, aunque no han sido incluidas en el análisis comercial. Considerando lo anterior, es necesario revisar una metodología que permita acceder de forma óptima a estas plataformas web y facilite el análisis de las variables que allí se proveen, que son determinantes para el valor comercial de un inmueble. Se realiza un caso de estudio en tres ciudades colombianas: Fusagasugá, Manizales y Villavicencio. Método: El método se desarrolla en dos etapas (i) web scraping, que permite obtener los enlaces de la información de páginas web inmobiliarias y descargar sus datos, y (ii) el análisis de datos inmobiliarios mediante el desarrollo de un flujo de trabajo que inicia con la exploración y la limpieza de los datos, continúa con el pre-modelado y finaliza con el modelado de las variables de interés en la determinación del valor de los bienes inmuebles usando técnicas de machine learning. Resultados: A partir de la aplicación de técnicas de machine learning, fue posible automatizar la recolección, la limpieza, el almacenamiento y el análisis de datos inmobiliarios provenientes de plataformas web, así como delinear dos modelos (Ridge Regression y Random Forest) que, de acuerdo, con su error porcentual medio absoluto (0,34 y 0,35 respectivamente), permiten predecir el valor comercial de un inmueble considerando variables explicativas internas y externas. Conclusiones: Obtener y analizar los datos inmobiliarios de fuentes alternativas como las plataformas web a través de desarrollos tecnológicos contribuye significativamente a atender la alta demanda de información del catastro del país. No obstante, es necesario ampliar el suministro de esta información a los ámbitos rurales, que cuentan con menos acceso y disponibilidad de la misma.
- 12 August 2022
- Published by Universidad Distrital Francisco Jose de Caldas in Ingeniería
- Vol. 27 (3) , e17952
Open AccessMetodología para obtención y análisis de datos inmobiliarios usando fuentes alternativas: estudio de caso en tres ciudades intermedias de Colombia
Contexto: La política pública de Catastro Multipropósito necesita consolidar información inmobiliaria de diferentes fuentes para su análisis, tales como ofertas, transacciones y costos de construcción, entre otros. Las páginas web inmobiliarias forman parte de estas fuentes de información, aunque no han sido incluidas en el análisis comercial. Considerando lo anterior, es necesario revisar una metodología que permita acceder de forma óptima a estas plataformas web y facilite el análisis de las variables que allí se proveen, que son determinantes para el valor comercial de un inmueble. Se realiza un caso de estudio en tres ciudades colombianas: Fusagasugá, Manizales y Villavicencio. Método: El método se desarrolla en dos etapas (i) web scraping, que permite obtener los enlaces de la información de páginas web inmobiliarias y descargar sus datos, y (ii) el análisis de datos inmobiliarios mediante el desarrollo de un flujo de trabajo que inicia con la exploración y la limpieza de los datos, continúa con el pre-modelado y finaliza con el modelado de las variables de interés en la determinación del valor de los bienes inmuebles usando técnicas de machine learning. Resultados: A partir de la aplicación de técnicas de machine learning, fue posible automatizar la recolección, la limpieza, el almacenamiento y el análisis de datos inmobiliarios provenientes de plataformas web, así como delinear dos modelos (Ridge Regression y Random Forest) que, de acuerdo, con su error porcentual medio absoluto (0,34 y 0,35 respectivamente), permiten predecir el valor comercial de un inmueble considerando variables explicativas internas y externas. Conclusiones: Obtener y analizar los datos inmobiliarios de fuentes alternativas como las plataformas web a través de desarrollos tecnológicos contribuye significativamente a atender la alta demanda de información del catastro del país. No obstante, es necesario ampliar el suministro de esta información a los ámbitos rurales, que cuentan con menos acceso y disponibilidad de la misma.
- Open Access
- 21 July 2021
- Published by Universitat Politecnica de Valencia in Revista de Teledetección
- No. 58,p. 71-88
Evaluación de algoritmos de clasificación en la plataforma Google Earth Engine para la identificación y detección de cambios de construcciones rurales y periurbanas a partir de imágenes de alta resolución
Building change detection based on remote sensing imagery is a key task for land management and planning e.g., detection of illegal settlements, updating land records and disaster response. Under the post- classification comparison approach, this research aimed to evaluate the feasibility of several classification algorithms to identify and capture buildings and their change between two time steps using very-high resolution images (<1 m/pixel) across rural areas and urban/rural perimeter boundaries. Through an App implemented on the Google Earth Engine (GEE) platform, we selected two study areas in Colombia with different images and input data. In total, eight traditional classification algorithms, three unsupervised (K-means, X-Means y Cascade K-Means) and five supervised (Random Forest, Support Vector Machine, Naive Bayes, GMO maximum Entropy and Minimum distance) available at GEE were trained. Additionally, a deep neural network named Feature Pyramid Networks (FPN) was added and trained using a pre-trained model, EfficientNetB3 model. Three evaluation zones per study area were proposed to quantify the performance of the algorithms through the Intersection over Union (IoU) metric. This metric, with a range between 0 and 1, represents the degree of overlapping between two regions, where the higher agreement the higher IoU values. The results indicate that the models configured with the FPN network have the best performance followed by the traditional supervised algorithms. The performance differences were specific to the study area. For the rural area, the best FPN configuration obtained an IoU averaged for both time steps of 0.4, being this four times higher than the best supervised model, Support Vector Machines using a linear kernel with an average IoU of 0.1. Regarding the setting of urban/rural perimeter boundaries, this difference was less marked, having an average IoU of 0.53 in comparison to 0.38 obtained by the best supervised classification model, in this case Random Forest. The results are relevant for institutions tracking the dynamics of building areas from cloud computing platfo future assessments of classifiers in likewise platforms in other contexts.
- 21 July 2021
- Published by Universitat Politecnica de Valencia in Revista de Teledetección
- No. 58,p. 71-88
Open AccessEvaluación de algoritmos de clasificación en la plataforma Google Earth Engine para la identificación y detección de cambios de construcciones rurales y periurbanas a partir de imágenes de alta resolución
Building change detection based on remote sensing imagery is a key task for land management and planning e.g., detection of illegal settlements, updating land records and disaster response. Under the post- classification comparison approach, this research aimed to evaluate the feasibility of several classification algorithms to identify and capture buildings and their change between two time steps using very-high resolution images (<1 m/pixel) across rural areas and urban/rural perimeter boundaries. Through an App implemented on the Google Earth Engine (GEE) platform, we selected two study areas in Colombia with different images and input data. In total, eight traditional classification algorithms, three unsupervised (K-means, X-Means y Cascade K-Means) and five supervised (Random Forest, Support Vector Machine, Naive Bayes, GMO maximum Entropy and Minimum distance) available at GEE were trained. Additionally, a deep neural network named Feature Pyramid Networks (FPN) was added and trained using a pre-trained model, EfficientNetB3 model. Three evaluation zones per study area were proposed to quantify the performance of the algorithms through the Intersection over Union (IoU) metric. This metric, with a range between 0 and 1, represents the degree of overlapping between two regions, where the higher agreement the higher IoU values. The results indicate that the models configured with the FPN network have the best performance followed by the traditional supervised algorithms. The performance differences were specific to the study area. For the rural area, the best FPN configuration obtained an IoU averaged for both time steps of 0.4, being this four times higher than the best supervised model, Support Vector Machines using a linear kernel with an average IoU of 0.1. Regarding the setting of urban/rural perimeter boundaries, this difference was less marked, having an average IoU of 0.53 in comparison to 0.38 obtained by the best supervised classification model, in this case Random Forest. The results are relevant for institutions tracking the dynamics of building areas from cloud computing platfo future assessments of classifiers in likewise platforms in other contexts.