Return to search

Aplicación de técnicas de Machine Learning e imágenes de radar para la detección temprana de invasiones en zonas de alto riesgo de desastres

La presente tesis aborda la problemática de las invasiones de terrenos por grupos
vulnerables. En la mayoría de casos estos grupos se asientan en zonas de alto riesgo de
desastres debido a fenómenos naturales. Lo expuesto previamente se evidenció en los
procesos migratorios del siglo pasado y en invasiones más recientes donde grupos de
personas vulnerables se asentaron en zonas costeras periféricas a las ciudades. Estas zonas
según los distintos mapas elaborados por el SIGRID y CISMID tienen mayor
probabilidad de ocurrencia de desastres.
Por lo tanto, esta investigación tiene por finalidad identificar, de forma temprana y
remota, la creciente tasa de asentamientos informales en zonas de alto riesgo de desastres.
Para tal propósito se plantea una metodología que permita detectar estructuras y patrones
de asentamientos informales. Para la detección de invasiones se emplean diversas técnicas
de machine learning empleando imágenes satelitales de radar, de libre acceso, de media
resolución (10m) y técnica de postprocesamiento para la mejora en el desempeño de la
predicción.
Para la evaluación de la metodología planteada se empleó como caso de estudio la
invasión en Lomo de Corvina, ocurrido en abril del 2021. Para las áreas invadidas se
obtuvo valores promedio de precision del 39%, lo cual es indicador que los algoritmos
sobrestiman las áreas invadidas debido a las distorsiones complejas y ruido en las
imágenes de radar, y recall del 85%, lo que indica que los algoritmos identifican
correctamente un alto porcentaje del área invadida. Por lo tanto, se puede emplear esta
metodología para la detección temprana de áreas invadidas con características similares
a las estudiadas. Se lograrán mejores resultados si las invasiones son repentinas, de gran
extensión y están ubicadas en zonas poco accidentadas y sin cubierta vegetal.

Identiferoai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/26510
Date22 November 2023
CreatorsJaimes Cucho, Javier Alonso
ContributorsMoya Huallpa, Luis Angel
PublisherPontificia Universidad Católica del Perú, PE
Source SetsPontificia Universidad Católica del Perú
LanguageSpanish
Detected LanguageSpanish
Typeinfo:eu-repo/semantics/bachelorThesis
Formatapplication/pdf, application/pdf
Rightsinfo:eu-repo/semantics/openAccess, Atribución 2.5 Perú, http://creativecommons.org/licenses/by/2.5/pe/

Page generated in 0.0023 seconds