Detección automática de glaciares rocosos mediante imágenes satelitales y Deep Learning

Abstract

En respuesta a los escenarios proyectados por el cambio climático en los últimos años, se ha vuelto fundamental cuantificar las fuentes de almacenamiento hídrico en los territorios [29, 34, 43]. El propósito es reducir la incertidumbre en cuanto a la disponibilidad de agua y gestionar de manera sostenible su uso, tanto para las comunidades locales como para las actividades vinculadas al desarrollo humano. Específicamente, cobra relevancia la necesidad de realizar mapas y cuantificar las reservas de agua en áreas de alta montaña. En este contexto, la presente tesis propone una metodología automatizada para respaldar la identificación y cartografía de glaciares rocosos. Con la ayuda del uso de imágenes satelitales de libre distribución y técnicas de aprendizaje profundo (deep learning) se programa un modelo de segmentación semántica de imágenes. Su arquitectura se compone de una red neuronal convolucional InceptionResNetV2-UNet, donde en la etapa de codificación se utiliza aprendizaje por transferencia (transfer learning). Se evalúa la sensibilidad del modelo respecto al tipo de datos de entrada mediante tres experimentos: El primer experimento (E1) emplea únicamente imágenes ópticas, el segundo experimento (E2) se basa exclusivamente en datos de velocidad de desplazamiento obtenidos de imágenes SAR, y el tercer experimento (E3) utiliza datos ópticos y de velocidad. Todos estos experimentos se aplican en un área de estudio ubicada en la zona de montaña de la Región Metropolitana. Se logran resultados comparables con la literatura en la identificación de glaciares rocosos para áreas superiores a 0.1 [km2]. E1 detectó 71.3% de los glaciares totales de la zona de validación. E2 identificó un 53.9% y E2 un 79.1 %. Si bien E3, identifica una mayor cantidad de GR, para el propósito de ejecución y escalabilidad el modelo, E1 entrega mejores condiciones debido a que obtiene resultados comparables en la identificación y delimitación, pero con un costo computacional mucho más bajo. Como propuestas de mejora, se sugiere ampliar la base de datos y el número de clases a identificar para potenciar la capacidad de generalización del modelo presentado en E1.