Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales

Descripción del Articulo

El mapeo de las áreas afectadas por incendios forestales (cicatriz) es una tarea importante en nuestro territorio. Esta delimitación de superficies afectadas es crucial para conocer la magnitud real de los incendios con el objetivo de construir políticas adecuadas de prevención, reducción del riesgo...

Descripción completa

Detalles Bibliográficos
Autor: Quispe Varillas, Javier José
Formato: tesis de maestría
Fecha de Publicación:2024
Institución:Universidad Nacional Federico Villarreal
Repositorio:UNFV-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.unfv.edu.pe:20.500.13084/9326
Enlace del recurso:https://hdl.handle.net/20.500.13084/9326
Nivel de acceso:acceso abierto
Materia:Ingeniería de software, simulación y desarrollo de TICs
Segmentación semántica
Aprendizaje profundo
Redes neuronales convolucionales
Incendios forestales
https://purl.org/pe-repo/ocde/ford#2.02.04
id RUNF_72c1df63fe2916614284930ca96732d2
oai_identifier_str oai:repositorio.unfv.edu.pe:20.500.13084/9326
network_acronym_str RUNF
network_name_str UNFV-Institucional
repository_id_str 4837
dc.title.es_PE.fl_str_mv Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales
title Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales
spellingShingle Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales
Quispe Varillas, Javier José
Ingeniería de software, simulación y desarrollo de TICs
Segmentación semántica
Aprendizaje profundo
Redes neuronales convolucionales
Incendios forestales
https://purl.org/pe-repo/ocde/ford#2.02.04
title_short Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales
title_full Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales
title_fullStr Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales
title_full_unstemmed Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales
title_sort Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitales
author Quispe Varillas, Javier José
author_facet Quispe Varillas, Javier José
author_role author
dc.contributor.advisor.fl_str_mv Zamora Talaverano, Noe Sabino
dc.contributor.author.fl_str_mv Quispe Varillas, Javier José
dc.subject.es_PE.fl_str_mv Ingeniería de software, simulación y desarrollo de TICs
Segmentación semántica
Aprendizaje profundo
Redes neuronales convolucionales
Incendios forestales
topic Ingeniería de software, simulación y desarrollo de TICs
Segmentación semántica
Aprendizaje profundo
Redes neuronales convolucionales
Incendios forestales
https://purl.org/pe-repo/ocde/ford#2.02.04
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.04
description El mapeo de las áreas afectadas por incendios forestales (cicatriz) es una tarea importante en nuestro territorio. Esta delimitación de superficies afectadas es crucial para conocer la magnitud real de los incendios con el objetivo de construir políticas adecuadas de prevención, reducción del riesgo, y restauración. El avance en la clasificación de imágenes satelitales mediante algoritmos de aprendizaje profundo basado en redes neuronales convolucionales junto con la gran cantidad de datos de sensores de acceso libre nos permite ámbitos de investigación. Este estudio plantea un modelo de segmentación semántica para delimitar las áreas afectadas producto de los incendios forestales en el departamento de Cusco. Se generó una base de datos de 2898 imágenes (444 con áreas afectadas) del sensor Sentinel-2 de los años 2017 a 2021, lo cual nos brinda una variación anual de los ecosistemas afectados. Se formaron 18 conjuntos de datos donde se distribuyeron un 64 % para entrenamiento, 16 % para validación y 20 % para prueba, tanto para imágenes con o sin áreas afectadas. Los resultados obtenidos para el modelo nos brindan valores promedio: Accuracy de 99 %, Precision de 92 %, Recall de 91 %, IoU de 0.84, F1-Score de 0.91, y Kappa de 0.87 para los datos de prueba. Con lo cual se valida que el modelo propuesto es una herramienta efectiva para la delimitación de áreas afectadas producto de los incendios forestales.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-10-21T15:54:42Z
dc.date.available.none.fl_str_mv 2024-10-21T15:54:42Z
dc.date.issued.fl_str_mv 2024
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.es_PE.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.13084/9326
url https://hdl.handle.net/20.500.13084/9326
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional Federico Villarreal
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.es_PE.fl_str_mv Universidad Nacional Federico Villarreal
Repositorio Institucional - UNFV
dc.source.none.fl_str_mv reponame:UNFV-Institucional
instname:Universidad Nacional Federico Villarreal
instacron:UNFV
instname_str Universidad Nacional Federico Villarreal
instacron_str UNFV
institution UNFV
reponame_str UNFV-Institucional
collection UNFV-Institucional
bitstream.url.fl_str_mv https://repositorio.unfv.edu.pe/bitstream/20.500.13084/9326/1/UNFV_EUPG_Quispe_Varillas_Javier_Maestria_2024.pdf
https://repositorio.unfv.edu.pe/bitstream/20.500.13084/9326/2/REPORTE_SIMILITUD.pdf
https://repositorio.unfv.edu.pe/bitstream/20.500.13084/9326/3/FORMULARIO_AUTORIZACION.pdf
https://repositorio.unfv.edu.pe/bitstream/20.500.13084/9326/4/license.txt
bitstream.checksum.fl_str_mv 1f0af41170b70b7891b9a473700453ce
60405cbd45aa128a62b6ec639aa44293
e10b7a70015d3b5aae85295e6785e110
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UNFV
repository.mail.fl_str_mv repositorio.vrin@unfv.edu.pe
_version_ 1830853436470460416
spelling Zamora Talaverano, Noe SabinoQuispe Varillas, Javier José2024-10-21T15:54:42Z2024-10-21T15:54:42Z2024https://hdl.handle.net/20.500.13084/9326El mapeo de las áreas afectadas por incendios forestales (cicatriz) es una tarea importante en nuestro territorio. Esta delimitación de superficies afectadas es crucial para conocer la magnitud real de los incendios con el objetivo de construir políticas adecuadas de prevención, reducción del riesgo, y restauración. El avance en la clasificación de imágenes satelitales mediante algoritmos de aprendizaje profundo basado en redes neuronales convolucionales junto con la gran cantidad de datos de sensores de acceso libre nos permite ámbitos de investigación. Este estudio plantea un modelo de segmentación semántica para delimitar las áreas afectadas producto de los incendios forestales en el departamento de Cusco. Se generó una base de datos de 2898 imágenes (444 con áreas afectadas) del sensor Sentinel-2 de los años 2017 a 2021, lo cual nos brinda una variación anual de los ecosistemas afectados. Se formaron 18 conjuntos de datos donde se distribuyeron un 64 % para entrenamiento, 16 % para validación y 20 % para prueba, tanto para imágenes con o sin áreas afectadas. Los resultados obtenidos para el modelo nos brindan valores promedio: Accuracy de 99 %, Precision de 92 %, Recall de 91 %, IoU de 0.84, F1-Score de 0.91, y Kappa de 0.87 para los datos de prueba. Con lo cual se valida que el modelo propuesto es una herramienta efectiva para la delimitación de áreas afectadas producto de los incendios forestales.application/pdfspaUniversidad Nacional Federico VillarrealPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional Federico VillarrealRepositorio Institucional - UNFVreponame:UNFV-Institucionalinstname:Universidad Nacional Federico Villarrealinstacron:UNFVIngeniería de software, simulación y desarrollo de TICsSegmentación semánticaAprendizaje profundoRedes neuronales convolucionalesIncendios forestaleshttps://purl.org/pe-repo/ocde/ford#2.02.04Delimitación de áreas afectadas por incendios forestales mediante aprendizaje profundo en imágenes satelitalesinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionSUNEDUMaestro en Ingeniería de SistemasIngeniería de SistemasUniversidad Nacional Federico Villarreal. Escuela Universitaria de Posgrado09722863https://orcid.org/0000-0002-4368-895509500314https://purl.org/pe-repo/renati/type#tesis612087https://purl.org/pe-repo/renati/level#maestroCoveñas Lalupu, JoséPetrlik Azabache, Ivan CarloPeña Carrillo, César SerapioORIGINALUNFV_EUPG_Quispe_Varillas_Javier_Maestria_2024.pdfUNFV_EUPG_Quispe_Varillas_Javier_Maestria_2024.pdfQuispe Varillas, Javier José (EUPG - Maestría)application/pdf4248850https://repositorio.unfv.edu.pe/bitstream/20.500.13084/9326/1/UNFV_EUPG_Quispe_Varillas_Javier_Maestria_2024.pdf1f0af41170b70b7891b9a473700453ceMD51open accessREPORTE_SIMILITUD.pdfREPORTE_SIMILITUD.pdfReporte de similitudapplication/pdf9882775https://repositorio.unfv.edu.pe/bitstream/20.500.13084/9326/2/REPORTE_SIMILITUD.pdf60405cbd45aa128a62b6ec639aa44293MD52metadata only accessFORMULARIO_AUTORIZACION.pdfFORMULARIO_AUTORIZACION.pdfFormulario de autorizaciónapplication/pdf1448805https://repositorio.unfv.edu.pe/bitstream/20.500.13084/9326/3/FORMULARIO_AUTORIZACION.pdfe10b7a70015d3b5aae85295e6785e110MD53metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unfv.edu.pe/bitstream/20.500.13084/9326/4/license.txt8a4605be74aa9ea9d79846c1fba20a33MD54open access20.500.13084/9326oai:repositorio.unfv.edu.pe:20.500.13084/93262025-04-28 19:56:04.8open accessRepositorio Institucional UNFVrepositorio.vrin@unfv.edu.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
score 13.914502
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).