Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto

Autores
González Omahen, Augusto Ezequiel
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Cappelletti, Lucía María
Fernández Slezak, Diego
Descripción
La producción agrícola-ganadera es la actividad económica de mayor relevancia en la Provincia del Chaco, Argentina. Debido a factores ambientales como las elevadas precipitaciones de la región, tanto su población rural como su producción agropecuaria se ven afectadas de manera directa por las inundaciones. Este trabajo consiste en el desarrollo de modelos de inteligencia artificial (IA) con el propósito de mejorar la identificación de las zonas anegables de la provincia, tomando como sitio de estudio el Departamento de Bermejo. Si bien existen mapas globales para identificar agua en superficie, estos no garantizan su utilidad a escala regional. Por ello, desarrollar herramientas de identificación del agua superficial a escala regional es relevante para el monitoreo de inundaciones y la planificación de estrategias de mitigación y adaptación. Para esto se diseñaron herramientas de identificación remota mediante el empleo de imágenes satelitales ópticas. Se implementaron tres modelos de segmentación de imágenes: Support Vector Machine (SVM) y Random Forest (RF), y un modelo basado en técnicas de aprendizaje profundo (Deep Learning) y en la arquitectura U-Net. RF y SVM son modelos de aprendizaje automático tradicionales que clasifican cada píxel basándose únicamente en la información del mismo; su principal limitación es que operan de forma aislada, ignorando por completo el contexto espacial de los píxeles vecinos. En cambio, el modelo de deep learning empleado, diseñado para optimizar la detección de agua empleando Redes Neuronales Convolucionales (CNNs), sí considera la vecindad espacial de los píxeles. Si bien existen técnicas para que los modelos RF y SVM tengan en cuenta la información espacial, se optó por implementar modelos más recientes para esta tarea como son las CNNs. Se seleccionaron los modelos RF y SVM ya que son los utilizados en trabajos previos que fueron tomados como base para este estudio. Se utilizaron imágenes satelitales Landsat para entrenar y evaluar el rendimiento de los modelos. Los resultados en la segmentación y detección de agua en superficie del modelo basado en una arquitectura U-Net alcanzó un DICE promedio de 0.75, superior a RF (0.67) y SVM (0.60); para comparaciones homogéneas todas las métricas reportadas se corresponden al coeficiente DICE. De esta manera, el modelo que usa la información de la vecindad mejora el índice DICE en un 13% respecto a los modelos de píxel individual. Estos resultados validan que técnicas de aprendizaje profundo que consideran la vecindad de píxeles potencian la identificación de agua en superficie.
Fil: González Omahen, Augusto Ezequiel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia
INUNDACIONES
CHACO
IMAGENES SATELITALES
INTELIGENCIA ARTIFICIAL
U-NET
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nCOM000881_GonzalezOmahen
Acceder
id BDUBAFCEN_0856e53527b10ac3a51735f44b7eb817
oai_identifier_str seminario:seminario_nCOM000881_GonzalezOmahen
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remotoGonzález Omahen, Augusto EzequielINUNDACIONESCHACOIMAGENES SATELITALESINTELIGENCIA ARTIFICIALU-NETLa producción agrícola-ganadera es la actividad económica de mayor relevancia en la Provincia del Chaco, Argentina. Debido a factores ambientales como las elevadas precipitaciones de la región, tanto su población rural como su producción agropecuaria se ven afectadas de manera directa por las inundaciones. Este trabajo consiste en el desarrollo de modelos de inteligencia artificial (IA) con el propósito de mejorar la identificación de las zonas anegables de la provincia, tomando como sitio de estudio el Departamento de Bermejo. Si bien existen mapas globales para identificar agua en superficie, estos no garantizan su utilidad a escala regional. Por ello, desarrollar herramientas de identificación del agua superficial a escala regional es relevante para el monitoreo de inundaciones y la planificación de estrategias de mitigación y adaptación. Para esto se diseñaron herramientas de identificación remota mediante el empleo de imágenes satelitales ópticas. Se implementaron tres modelos de segmentación de imágenes: Support Vector Machine (SVM) y Random Forest (RF), y un modelo basado en técnicas de aprendizaje profundo (Deep Learning) y en la arquitectura U-Net. RF y SVM son modelos de aprendizaje automático tradicionales que clasifican cada píxel basándose únicamente en la información del mismo; su principal limitación es que operan de forma aislada, ignorando por completo el contexto espacial de los píxeles vecinos. En cambio, el modelo de deep learning empleado, diseñado para optimizar la detección de agua empleando Redes Neuronales Convolucionales (CNNs), sí considera la vecindad espacial de los píxeles. Si bien existen técnicas para que los modelos RF y SVM tengan en cuenta la información espacial, se optó por implementar modelos más recientes para esta tarea como son las CNNs. Se seleccionaron los modelos RF y SVM ya que son los utilizados en trabajos previos que fueron tomados como base para este estudio. Se utilizaron imágenes satelitales Landsat para entrenar y evaluar el rendimiento de los modelos. Los resultados en la segmentación y detección de agua en superficie del modelo basado en una arquitectura U-Net alcanzó un DICE promedio de 0.75, superior a RF (0.67) y SVM (0.60); para comparaciones homogéneas todas las métricas reportadas se corresponden al coeficiente DICE. De esta manera, el modelo que usa la información de la vecindad mejora el índice DICE en un 13% respecto a los modelos de píxel individual. Estos resultados validan que técnicas de aprendizaje profundo que consideran la vecindad de píxeles potencian la identificación de agua en superficie.Fil: González Omahen, Augusto Ezequiel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesCappelletti, Lucía MaríaFernández Slezak, Diego2025-12-15info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nCOM000881_GonzalezOmahenspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2026-10-01T10:19:52Zseminario:seminario_nCOM000881_GonzalezOmahenInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962026-10-01 10:19:55.693Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto
title Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto
spellingShingle Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto
González Omahen, Augusto Ezequiel
INUNDACIONES
CHACO
IMAGENES SATELITALES
INTELIGENCIA ARTIFICIAL
U-NET
title_short Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto
title_full Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto
title_fullStr Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto
title_full_unstemmed Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto
title_sort Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto
dc.creator.none.fl_str_mv González Omahen, Augusto Ezequiel
author González Omahen, Augusto Ezequiel
author_facet González Omahen, Augusto Ezequiel
author_role author
dc.contributor.none.fl_str_mv Cappelletti, Lucía María
Fernández Slezak, Diego
dc.subject.none.fl_str_mv INUNDACIONES
CHACO
IMAGENES SATELITALES
INTELIGENCIA ARTIFICIAL
U-NET
topic INUNDACIONES
CHACO
IMAGENES SATELITALES
INTELIGENCIA ARTIFICIAL
U-NET
dc.description.none.fl_txt_mv La producción agrícola-ganadera es la actividad económica de mayor relevancia en la Provincia del Chaco, Argentina. Debido a factores ambientales como las elevadas precipitaciones de la región, tanto su población rural como su producción agropecuaria se ven afectadas de manera directa por las inundaciones. Este trabajo consiste en el desarrollo de modelos de inteligencia artificial (IA) con el propósito de mejorar la identificación de las zonas anegables de la provincia, tomando como sitio de estudio el Departamento de Bermejo. Si bien existen mapas globales para identificar agua en superficie, estos no garantizan su utilidad a escala regional. Por ello, desarrollar herramientas de identificación del agua superficial a escala regional es relevante para el monitoreo de inundaciones y la planificación de estrategias de mitigación y adaptación. Para esto se diseñaron herramientas de identificación remota mediante el empleo de imágenes satelitales ópticas. Se implementaron tres modelos de segmentación de imágenes: Support Vector Machine (SVM) y Random Forest (RF), y un modelo basado en técnicas de aprendizaje profundo (Deep Learning) y en la arquitectura U-Net. RF y SVM son modelos de aprendizaje automático tradicionales que clasifican cada píxel basándose únicamente en la información del mismo; su principal limitación es que operan de forma aislada, ignorando por completo el contexto espacial de los píxeles vecinos. En cambio, el modelo de deep learning empleado, diseñado para optimizar la detección de agua empleando Redes Neuronales Convolucionales (CNNs), sí considera la vecindad espacial de los píxeles. Si bien existen técnicas para que los modelos RF y SVM tengan en cuenta la información espacial, se optó por implementar modelos más recientes para esta tarea como son las CNNs. Se seleccionaron los modelos RF y SVM ya que son los utilizados en trabajos previos que fueron tomados como base para este estudio. Se utilizaron imágenes satelitales Landsat para entrenar y evaluar el rendimiento de los modelos. Los resultados en la segmentación y detección de agua en superficie del modelo basado en una arquitectura U-Net alcanzó un DICE promedio de 0.75, superior a RF (0.67) y SVM (0.60); para comparaciones homogéneas todas las métricas reportadas se corresponden al coeficiente DICE. De esta manera, el modelo que usa la información de la vecindad mejora el índice DICE en un 13% respecto a los modelos de píxel individual. Estos resultados validan que técnicas de aprendizaje profundo que consideran la vecindad de píxeles potencian la identificación de agua en superficie.
Fil: González Omahen, Augusto Ezequiel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description La producción agrícola-ganadera es la actividad económica de mayor relevancia en la Provincia del Chaco, Argentina. Debido a factores ambientales como las elevadas precipitaciones de la región, tanto su población rural como su producción agropecuaria se ven afectadas de manera directa por las inundaciones. Este trabajo consiste en el desarrollo de modelos de inteligencia artificial (IA) con el propósito de mejorar la identificación de las zonas anegables de la provincia, tomando como sitio de estudio el Departamento de Bermejo. Si bien existen mapas globales para identificar agua en superficie, estos no garantizan su utilidad a escala regional. Por ello, desarrollar herramientas de identificación del agua superficial a escala regional es relevante para el monitoreo de inundaciones y la planificación de estrategias de mitigación y adaptación. Para esto se diseñaron herramientas de identificación remota mediante el empleo de imágenes satelitales ópticas. Se implementaron tres modelos de segmentación de imágenes: Support Vector Machine (SVM) y Random Forest (RF), y un modelo basado en técnicas de aprendizaje profundo (Deep Learning) y en la arquitectura U-Net. RF y SVM son modelos de aprendizaje automático tradicionales que clasifican cada píxel basándose únicamente en la información del mismo; su principal limitación es que operan de forma aislada, ignorando por completo el contexto espacial de los píxeles vecinos. En cambio, el modelo de deep learning empleado, diseñado para optimizar la detección de agua empleando Redes Neuronales Convolucionales (CNNs), sí considera la vecindad espacial de los píxeles. Si bien existen técnicas para que los modelos RF y SVM tengan en cuenta la información espacial, se optó por implementar modelos más recientes para esta tarea como son las CNNs. Se seleccionaron los modelos RF y SVM ya que son los utilizados en trabajos previos que fueron tomados como base para este estudio. Se utilizaron imágenes satelitales Landsat para entrenar y evaluar el rendimiento de los modelos. Los resultados en la segmentación y detección de agua en superficie del modelo basado en una arquitectura U-Net alcanzó un DICE promedio de 0.75, superior a RF (0.67) y SVM (0.60); para comparaciones homogéneas todas las métricas reportadas se corresponden al coeficiente DICE. De esta manera, el modelo que usa la información de la vecindad mejora el índice DICE en un 13% respecto a los modelos de píxel individual. Estos resultados validan que técnicas de aprendizaje profundo que consideran la vecindad de píxeles potencian la identificación de agua en superficie.
publishDate 2025
dc.date.none.fl_str_mv 2025-12-15
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/seminario_nCOM000881_GonzalezOmahen
url https://hdl.handle.net/20.500.12110/seminario_nCOM000881_GonzalezOmahen
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1877857582469611520
score 12.854657

Publicaciones similares