Aplicación de DEEP LEARNING y procesamiento de imágenes satelitales para el análisis temporal del retroceso superficial del glaciar Quelccaya en la cordillera Vilcanota, Perú

• Autor: Quispe Quispe, Andres Benjamin
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/10224
• Enlace del recurso: http://hdl.handle.net/20.500.12918/10224
• Nivel de acceso: acceso abierto
• Materia: Teledetección; Landsat; Procesamiento de imágenes; Deep learning; Segmentación semántica; http://purl.org/pe-repo/ocde/ford#2.02.01

En las últimas décadas, los glaciares tropicales han retrocedido significativamente debido al calentamiento global, afectando la hidrología y el paisaje montañoso, y aumentando los riesgos asociados. Su monitoreo es esencial para cuantificar estas variaciones, dado su rol como reservas de agua dulce e indicadores del cambio climático. Las técnicas de teledetección, ampliamente utilizadas desde la década de 1970, permiten detectar vegetación, agua, glaciares, etc. La comunidad científica emplea estos datos para el monitoreo de la cobertura del suelo, incluida la detección de cuerpos glaciares. Estudios previos han usado índices espectrales para detectar y segmentar glaciares; sin embargo, estos métodos presentan limitaciones y pueden ser complejos cuando se trata de inventariar glaciares extensos con precisión. Por otro lado, los métodos de aprendizaje profundo han demostrado ser muy eficientes para el procesamiento y segmentación de imágenes en diversas disciplinas. Este estudio analiza temporalmente la variación del glaciar Quelccaya, en la cordillera de Vilcanota entre Cusco y Puno, en el periodo 1991-2024. Se emplean métodos de aprendizaje profundo junto con datos ópticos de teledetección de las misiones Landsat, generando un conjunto de datos de 2400 muestras para tareas de segmentación semántica y el entrenamiento de un modelo de deep learning que extrae automáticamente cuerpos glaciares a partir de imágenes multiespectrales. Se proponen tres modelos de deep learning: U-Net, DeepResUnet y DeepLabV3Plus, todos para segmentación semántica. Estos modelos se entrenaron con el 70% de las muestras, usando el 15% para validación y el 15% para evaluación.