Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2

En la Argentina se observa una frecuencia creciente de desastres naturales como desbordes de ríos, sequías extremas e incendios forestales naturales. Ante estas catástrofes, es fundamental gestionar de manera eficiente la toma de decisiones rápidas para minimizar los daños; esta es una preocupación...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Venturini, Virginia, Marchetti, Zuleica Yael, Walker, Elisabet, Fagioli, Gianfranco
Formato: Artículo publishedVersion
Lenguaje:Español
Publicado: Asociación Argentina de Ecología 2023
Materias:
SEGMENTACION
SENTINEL-2
APRENDIZAJE AUTOMATICO
HUMEDALES FLUVIALES
SEGMENTATION
MACHINE LEARNING
RIVER WETLANDS
Acceso en línea:https://hdl.handle.net/20.500.12110/ecologiaaustral_v033_n03_p743
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id ecologiaaustral:ecologiaaustral_v033_n03_p743
record_format dspace
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Español
orig_language_str_mv spa
topic SEGMENTACION
SENTINEL-2
APRENDIZAJE AUTOMATICO
HUMEDALES FLUVIALES
SEGMENTATION
SENTINEL-2
MACHINE LEARNING
RIVER WETLANDS
spellingShingle SEGMENTACION
SENTINEL-2
APRENDIZAJE AUTOMATICO
HUMEDALES FLUVIALES
SEGMENTATION
SENTINEL-2
MACHINE LEARNING
RIVER WETLANDS
Venturini, Virginia
Marchetti, Zuleica Yael
Walker, Elisabet
Fagioli, Gianfranco
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2
topic_facet SEGMENTACION
SENTINEL-2
APRENDIZAJE AUTOMATICO
HUMEDALES FLUVIALES
SEGMENTATION
SENTINEL-2
MACHINE LEARNING
RIVER WETLANDS
description En la Argentina se observa una frecuencia creciente de desastres naturales como desbordes de ríos, sequías extremas e incendios forestales naturales. Ante estas catástrofes, es fundamental gestionar de manera eficiente la toma de decisiones rápidas para minimizar los daños; esta es una preocupación latente tanto de los gobiernos locales y regionales como de la comunidad científica. La cuenca del río Paraná, en la Argentina, representa un recurso estratégico, ya que engloba la mayor riqueza fluvial y ecológica, además de grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados en sus cercanías. La presencia de vegetación acuática (libre o arraigada) enmascara las áreas anegadas y ocultan los primeros indicios de anegamiento, lo cual dificulta el monitoreo y la rápida detección de esas áreas. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para clasificar las diferentes coberturas del suelo en humedales del sistema fluvial del Paraná. Se hizo foco en ambientes donde coexisten el agua libre y la vegetación acuático-palustre, típicos de la región metropolitana de la ciudad de Santa Fe, considerando las limitaciones técnicas de los organismos tomadores de decisiones. Se usaron imágenes de la misión Sentinel-2 (S2) para entrenar y evaluar el rendimiento de distintos algoritmos de aprendizaje automático. Se utilizaron todas las bandas de las imágenes S2, unificando la resolución espacial en 10 m. Los resultados indicaron que las bandas de aerosoles costeros (B1) y dos bandas de infrarrojo medio (B11 y B12) son las que aportan más información para identificar las clases muestreadas. Por otra parte, el método random forest fue el de mejor desempeño para la clase vegetación acuática, de interés especial en este trabajo
format Artículo
Artículo
publishedVersion
author Venturini, Virginia
Marchetti, Zuleica Yael
Walker, Elisabet
Fagioli, Gianfranco
author_facet Venturini, Virginia
Marchetti, Zuleica Yael
Walker, Elisabet
Fagioli, Gianfranco
author_sort Venturini, Virginia
title Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2
title_short Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2
title_full Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2
title_fullStr Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2
title_full_unstemmed Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2
title_sort análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de sentinel-2
publisher Asociación Argentina de Ecología
publishDate 2023
url https://hdl.handle.net/20.500.12110/ecologiaaustral_v033_n03_p743
work_keys_str_mv AT venturinivirginia analisisdeldesempenodetecnicasdeaprendizajeautomaticoparaidentificarvegetacionacuaticaconbandasdesentinel2
AT marchettizuleicayael analisisdeldesempenodetecnicasdeaprendizajeautomaticoparaidentificarvegetacionacuaticaconbandasdesentinel2
AT walkerelisabet analisisdeldesempenodetecnicasdeaprendizajeautomaticoparaidentificarvegetacionacuaticaconbandasdesentinel2
AT fagioligianfranco analisisdeldesempenodetecnicasdeaprendizajeautomaticoparaidentificarvegetacionacuaticaconbandasdesentinel2
AT venturinivirginia performanceanalysisofmachinelearningtechniquestoidentifyaquaticvegetationwithsentinel2bands
AT marchettizuleicayael performanceanalysisofmachinelearningtechniquestoidentifyaquaticvegetationwithsentinel2bands
AT walkerelisabet performanceanalysisofmachinelearningtechniquestoidentifyaquaticvegetationwithsentinel2bands
AT fagioligianfranco performanceanalysisofmachinelearningtechniquestoidentifyaquaticvegetationwithsentinel2bands
_version_ 1831983450230358016
spelling ecologiaaustral:ecologiaaustral_v033_n03_p7432025-03-28T09:39:14Z Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 Performance analysis of machine learning techniques to identify aquatic vegetation with Sentinel-2 bands Ecol. austral (En línea) 2023;03(033):743-756 Venturini, Virginia Marchetti, Zuleica Yael Walker, Elisabet Fagioli, Gianfranco SEGMENTACION SENTINEL-2 APRENDIZAJE AUTOMATICO HUMEDALES FLUVIALES SEGMENTATION SENTINEL-2 MACHINE LEARNING RIVER WETLANDS En la Argentina se observa una frecuencia creciente de desastres naturales como desbordes de ríos, sequías extremas e incendios forestales naturales. Ante estas catástrofes, es fundamental gestionar de manera eficiente la toma de decisiones rápidas para minimizar los daños; esta es una preocupación latente tanto de los gobiernos locales y regionales como de la comunidad científica. La cuenca del río Paraná, en la Argentina, representa un recurso estratégico, ya que engloba la mayor riqueza fluvial y ecológica, además de grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados en sus cercanías. La presencia de vegetación acuática (libre o arraigada) enmascara las áreas anegadas y ocultan los primeros indicios de anegamiento, lo cual dificulta el monitoreo y la rápida detección de esas áreas. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para clasificar las diferentes coberturas del suelo en humedales del sistema fluvial del Paraná. Se hizo foco en ambientes donde coexisten el agua libre y la vegetación acuático-palustre, típicos de la región metropolitana de la ciudad de Santa Fe, considerando las limitaciones técnicas de los organismos tomadores de decisiones. Se usaron imágenes de la misión Sentinel-2 (S2) para entrenar y evaluar el rendimiento de distintos algoritmos de aprendizaje automático. Se utilizaron todas las bandas de las imágenes S2, unificando la resolución espacial en 10 m. Los resultados indicaron que las bandas de aerosoles costeros (B1) y dos bandas de infrarrojo medio (B11 y B12) son las que aportan más información para identificar las clases muestreadas. Por otra parte, el método random forest fue el de mejor desempeño para la clase vegetación acuática, de interés especial en este trabajo Natural disasters, such as river overflows, extreme droughts, natural forest fires are more frequently observed in Argentina. Faced with these catastrophes, efficient management is essential to make quick decisions to minimize damage, which is a latent concern in local and regional governments and in the scientific community. In Argentina, the Paraná River basin represents a strategic resource in itself, as it encompasses the greatest fluvial, ecological wealth and large urban centers. However, the extreme events that characterize the dynamics of the wetlands affect the urban centers located near them. The presence of aquatic vegetation (free or rooted) masks the flooded areas, hiding the first signs of flooding, making the monitoring and rapid detection of these areas difficult. In this work, optical satellite images and machine learning models were used to classify the different land covers in wetlands of the Paraná river system. The focus was on environments where free water and aquatic marsh vegetation coexist, characteristic of the metropolitan region of the city of Santa Fe, and considering the technical limitations of decision-making agencies. Therefore, the Sentinel-2 (S2) mission images were used to train and evaluate different machine learning algorithms. All bands of S2 images were used, unifying the spatial resolution to 10 m. The results indicated that the coastal aerosol bands (B1) and two mid-infrared bands (B11 and B12) provide the most information for the identification of the samples. Moreover, the random forest method showed the best performance for the aquatic vegetation class, which was of primary interest for this work Fil: Venturini, Virginia. Universidad Nacional del Litoral-CONICET. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina Fil: Marchetti, Zuleica Yael. Universidad Nacional del Litoral-CONICET. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina Fil: Walker, Elisabet. Universidad Nacional del Litoral-CONICETFacultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina Fil: Fagioli, Gianfranco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina Asociación Argentina de Ecología 2023-12 info:ar-repo/semantics/artículo info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/ecologiaaustral_v033_n03_p743

Ejemplares similares