Estimación de área glaciar utilizando Redes Neuronales convolucionales U-Net en imágenes multiespectrales sentinel 2 en el glaciar ausangate, 2019

• Autor: Colque Caillahua, Percy Elbis
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/12231
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/12231
• Nivel de acceso: acceso abierto
• Materia: Aplicación de los Métodos GeoEstadísticos al Tratamiento de Información Medioambiental y Topocartográficos; Ciencias Naturales

La Investigación se realizó en el glaciar Ausangate ubicado entre las provincias de Canchis y Quispicanchis en la región del Cusco. Se probó el modelo U-Net en la estimación de área glaciar con imágenes multiespectrales Sentinel 2. El proceso de mapear glaciares por lo general se utiliza el Índice de Nieve de Diferencia Normalizada (NDSI). Con un umbral estándar de 0.4, la limitación que tiene es sobreestimar, es necesario eliminar polígonos que no pertenecen al área glaciar como lagunas glaciares, este proceso puede ser lento y estresante. Esta investigación propone utilizar las redes neuronales convolucionales (CNN) con una arquitectura U-Net como un método de mapeo en glaciares. Los algoritmos de Inteligencia Artificial como las CNN necesitan datos de entrenamiento y validación los cual es óptimo utilizar La infraestructura computacional de Google Earth Engine (GEE) para recolectar muestras de imágenes del satélite Sentinel 2A y 2B. En esta Investigación se recolecto 1883 muestras para el entrenamiento y 1470 para validación en el conjunto de glaciares tropicales del Perú. Para evaluar el rendimiento del modelo se eligieron 12 escenas de prueba de fechas que estén fuera del entrenamiento desde el 2016 al 2019 en el glaciar Ausangate. Los resultados muestran que el modelo U-Net logro precisiones de 97.89% en entrenamiento y 97.88 % en validación demostrando ser más robusto en mapear área glaciar y puede utilizar para cualquier glaciar, superando al NDSI>0.4 donde se observó que sobrestima y confunde con lagunas glaciares y tiene que intervenir la eliminación manual de polígonos de lagunas glaciares.