Clasificación de cobertura de suelo para modelado de riesgos de incendios: integración de teledetección Sar y aprendizaje automático en la plataforma Google Earth Engine

Título

Clasificación de cobertura de suelo para modelado de riesgos de incendios: integración de teledetección Sar y aprendizaje automático en la plataforma Google Earth Engine

Colaborador

Balbarani, Sebastián

Editor

Universidad de Buenos Aires. Facultad de Ingeniería

Fecha

2024-10

Extensión

81 p.

Resumen

La motivación inicial de esta tesis surge a partir de la complejidad de los incendios forestales y sus significativos impactos en los ecosistemas. En este contexto, los sistemas de riesgo y alerta temprana para la detección de incendios se presentan como herramientas cruciales para la gestión y distribución eficiente de recursos antes, durante y después de estos eventos. Para ser efectivos, estos sistemas requieren capas de información diversas, entre las cuales la cobertura vegetal es fundamental, ya que representa el material disponible para la ignición. Esta tesis tiene como objetivo general investigar, modelar y mapear la cobertura terrestre a partir de la adquisición de datos satelitales de radar de apertura sintética en banda C, y el uso, adaptación y validación de la clasificación no supervisada mediante aprendizaje automático, con el fin de generar una metodología ágil de obtención de mapas de cobertura y uso del suelo para riesgos o alertas ante incendios. El trabajo se llevó a cabo sobre una zona piloto en la provincia de Córdoba. La elección de la zona de estudio se basó en el concepto de regiones fitogeográficas, que se definen como áreas homogéneas en términos de clima, suelo y vegetación, y el historial de incendios forestales en la zona. De aquí surgió la elección de la región fitogeográfica chaqueña, presente en los departamentos de San Alberto, San Javier, Calamuchita y Río Cuarto de la provincia de Córdoba, Argentina. El procedimiento se basó en el uso de datos de teledetección obtenidos mediante Radar de Apertura Sintética (SAR), técnicas de aprendizaje automático y el procesamiento de datos en la nube. De esta manera, se buscó establecer un punto de partida sólido y confiable, minimizando la intervención manual. Todos los procesos se llevaron a cabo en la plataforma Google Earth Engine (GEE), trabajando con la colección de Sentinel-1 de la Agencia Espacial Europea. En cuanto al clasificador elegido, se optó por una clasificación no supervisada utilizando el clasificador X-Means disponible en la plataforma. La clasificación no supervisada es una técnica dentro del aprendizaje automático que permite agrupar datos sin necesidad de etiquetas predefinidas y, en particular, el clasificador elegido genera una estimación del número óptimo de clústeres en función de los datos proporcionados. Se obtuvieron dos modelos de clasificación los cuales fueron validados contrastándolos con el Mapa de Cobertura y Uso de Suelo 2020-2021 desarrollado por el organismo de Infraestructura de Datos Espaciales de la Provincia de Córdoba (IDECOR). Esta publicación representa una actualización temporal de los productos anteriores (2017-2018), presentando una Unidad Mínima Mapeable (UMM) de 1 ha, con una resolución de 10 metros por píxel. El análisis de los resultados se realizó utilizando una serie de métodos complementarios, cada uno aportando una perspectiva particular. En primer lugar, se efectuó un análisis visual para evaluar el comportamiento general del clasificador. Posteriormente, se superpusieron las categorías derivadas de los modelos con el mapa de validación, contabilizando los píxeles correspondientes a cada categoría. Se analizaron los porcentajes de cobertura de cada categoría del modelo de validación dentro de la misma categoría del modelo generado. Finalmente, se implementaron tres pasos de correspondencia para identificar categorías que consistentemente representen alguna del modelo de IDECOR. Este trabajo de investigación permitió generar un mapa base sólido y confiable de cobertura de suelo mediante la clasificación no supervisada de imágenes de Radar de Apertura Sintética (SAR), destacando la importancia del uso de datos multitemporales. La multitemporalidad ofrece al clasificador la capacidad de identificar patrones y comportamientos a lo largo del tiempo, lo que mejora significativamente la diferenciación entre distintos tipos de cobertura y usos del suelo. Al integrar colecciones de imágenes obtenidas en diferentes estaciones, se logra minimizar el impacto del ruido característico de la tecnología SAR, incrementando así la precisión y fiabilidad de la clasificación.