Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2
- Autores
- Venturini, Virginia; Marchetti, Zuleica Yael; Walker, Elisabet; Fagioli, Gianfranco
- Año de publicación
- 2023
- Idioma
- español castellano
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- En la Argentina se observa una frecuencia creciente de desastres naturales como desbordes de ríos, sequías extremas e incendios forestales naturales. Ante estas catástrofes, es fundamental gestionar de manera eficiente la toma de decisiones rápidas para minimizar los daños; esta es una preocupación latente tanto de los gobiernos locales y regionales como de la comunidad científica. La cuenca del río Paraná, en la Argentina, representa un recurso estratégico, ya que engloba la mayor riqueza fluvial y ecológica, además de grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados en sus cercanías. La presencia de vegetación acuática (libre o arraigada) enmascara las áreas anegadas y ocultan los primeros indicios de anegamiento, lo cual dificulta el monitoreo y la rápida detección de esas áreas. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para clasificar las diferentes coberturas del suelo en humedales del sistema fluvial del Paraná. Se hizo foco en ambientes donde coexisten el agua libre y la vegetación acuático-palustre, típicos de la región metropolitana de la ciudad de Santa Fe, considerando las limitaciones técnicas de los organismos tomadores de decisiones. Se usaron imágenes de la misión Sentinel-2 (S2) para entrenar y evaluar el rendimiento de distintos algoritmos de aprendizaje automático. Se utilizaron todas las bandas de las imágenes S2, unificando la resolución espacial en 10 m. Los resultados indicaron que las bandas de aerosoles costeros (B1) y dos bandas de infrarrojo medio (B11 y B12) son las que aportan más información para identificar las clases muestreadas. Por otra parte, el método random forest fue el de mejor desempeño para la clase vegetación acuática, de interés especial en este trabajo
Natural disasters, such as river overflows, extreme droughts, natural forest fires are more frequently observed in Argentina. Faced with these catastrophes, efficient management is essential to make quick decisions to minimize damage, which is a latent concern in local and regional governments and in the scientific community. In Argentina, the Paraná River basin represents a strategic resource in itself, as it encompasses the greatest fluvial, ecological wealth and large urban centers. However, the extreme events that characterize the dynamics of the wetlands affect the urban centers located near them. The presence of aquatic vegetation (free or rooted) masks the flooded areas, hiding the first signs of flooding, making the monitoring and rapid detection of these areas difficult. In this work, optical satellite images and machine learning models were used to classify the different land covers in wetlands of the Paraná river system. The focus was on environments where free water and aquatic marsh vegetation coexist, characteristic of the metropolitan region of the city of Santa Fe, and considering the technical limitations of decision-making agencies. Therefore, the Sentinel-2 (S2) mission images were used to train and evaluate different machine learning algorithms. All bands of S2 images were used, unifying the spatial resolution to 10 m. The results indicated that the coastal aerosol bands (B1) and two mid-infrared bands (B11 and B12) provide the most information for the identification of the samples. Moreover, the random forest method showed the best performance for the aquatic vegetation class, which was of primary interest for this work
Fil: Venturini, Virginia. Universidad Nacional del Litoral-CONICET. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina
Fil: Marchetti, Zuleica Yael. Universidad Nacional del Litoral-CONICET. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina
Fil: Walker, Elisabet. Universidad Nacional del Litoral-CONICETFacultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina
Fil: Fagioli, Gianfranco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina - Fuente
- Ecol. austral (En línea) 2023;03(033):743-756
- Materia
-
SEGMENTACION
SENTINEL-2
APRENDIZAJE AUTOMATICO
HUMEDALES FLUVIALES
SEGMENTATION
SENTINEL-2
MACHINE LEARNING
RIVER WETLANDS - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar
- Repositorio
- Institución
- Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
- OAI Identificador
- ecologiaaustral:ecologiaaustral_v033_n03_p743
Ver los metadatos del registro completo
id |
BDUBAFCEN_5051560db7e565180f9eb5cee38030c7 |
---|---|
oai_identifier_str |
ecologiaaustral:ecologiaaustral_v033_n03_p743 |
network_acronym_str |
BDUBAFCEN |
repository_id_str |
1896 |
network_name_str |
Biblioteca Digital (UBA-FCEN) |
spelling |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2Performance analysis of machine learning techniques to identify aquatic vegetation with Sentinel-2 bandsVenturini, VirginiaMarchetti, Zuleica YaelWalker, ElisabetFagioli, GianfrancoSEGMENTACIONSENTINEL-2APRENDIZAJE AUTOMATICOHUMEDALES FLUVIALESSEGMENTATIONSENTINEL-2MACHINE LEARNINGRIVER WETLANDSEn la Argentina se observa una frecuencia creciente de desastres naturales como desbordes de ríos, sequías extremas e incendios forestales naturales. Ante estas catástrofes, es fundamental gestionar de manera eficiente la toma de decisiones rápidas para minimizar los daños; esta es una preocupación latente tanto de los gobiernos locales y regionales como de la comunidad científica. La cuenca del río Paraná, en la Argentina, representa un recurso estratégico, ya que engloba la mayor riqueza fluvial y ecológica, además de grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados en sus cercanías. La presencia de vegetación acuática (libre o arraigada) enmascara las áreas anegadas y ocultan los primeros indicios de anegamiento, lo cual dificulta el monitoreo y la rápida detección de esas áreas. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para clasificar las diferentes coberturas del suelo en humedales del sistema fluvial del Paraná. Se hizo foco en ambientes donde coexisten el agua libre y la vegetación acuático-palustre, típicos de la región metropolitana de la ciudad de Santa Fe, considerando las limitaciones técnicas de los organismos tomadores de decisiones. Se usaron imágenes de la misión Sentinel-2 (S2) para entrenar y evaluar el rendimiento de distintos algoritmos de aprendizaje automático. Se utilizaron todas las bandas de las imágenes S2, unificando la resolución espacial en 10 m. Los resultados indicaron que las bandas de aerosoles costeros (B1) y dos bandas de infrarrojo medio (B11 y B12) son las que aportan más información para identificar las clases muestreadas. Por otra parte, el método random forest fue el de mejor desempeño para la clase vegetación acuática, de interés especial en este trabajoNatural disasters, such as river overflows, extreme droughts, natural forest fires are more frequently observed in Argentina. Faced with these catastrophes, efficient management is essential to make quick decisions to minimize damage, which is a latent concern in local and regional governments and in the scientific community. In Argentina, the Paraná River basin represents a strategic resource in itself, as it encompasses the greatest fluvial, ecological wealth and large urban centers. However, the extreme events that characterize the dynamics of the wetlands affect the urban centers located near them. The presence of aquatic vegetation (free or rooted) masks the flooded areas, hiding the first signs of flooding, making the monitoring and rapid detection of these areas difficult. In this work, optical satellite images and machine learning models were used to classify the different land covers in wetlands of the Paraná river system. The focus was on environments where free water and aquatic marsh vegetation coexist, characteristic of the metropolitan region of the city of Santa Fe, and considering the technical limitations of decision-making agencies. Therefore, the Sentinel-2 (S2) mission images were used to train and evaluate different machine learning algorithms. All bands of S2 images were used, unifying the spatial resolution to 10 m. The results indicated that the coastal aerosol bands (B1) and two mid-infrared bands (B11 and B12) provide the most information for the identification of the samples. Moreover, the random forest method showed the best performance for the aquatic vegetation class, which was of primary interest for this workFil: Venturini, Virginia. Universidad Nacional del Litoral-CONICET. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. ArgentinaFil: Marchetti, Zuleica Yael. Universidad Nacional del Litoral-CONICET. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. ArgentinaFil: Walker, Elisabet. Universidad Nacional del Litoral-CONICETFacultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. ArgentinaFil: Fagioli, Gianfranco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. ArgentinaAsociación Argentina de Ecología2023-12info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttps://hdl.handle.net/20.500.12110/ecologiaaustral_v033_n03_p743Ecol. austral (En línea) 2023;03(033):743-756reponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCENspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar2025-09-29T13:43:18Zecologiaaustral:ecologiaaustral_v033_n03_p743Institucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:43:19.698Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse |
dc.title.none.fl_str_mv |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 Performance analysis of machine learning techniques to identify aquatic vegetation with Sentinel-2 bands |
title |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 |
spellingShingle |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 Venturini, Virginia SEGMENTACION SENTINEL-2 APRENDIZAJE AUTOMATICO HUMEDALES FLUVIALES SEGMENTATION SENTINEL-2 MACHINE LEARNING RIVER WETLANDS |
title_short |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 |
title_full |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 |
title_fullStr |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 |
title_full_unstemmed |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 |
title_sort |
Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2 |
dc.creator.none.fl_str_mv |
Venturini, Virginia Marchetti, Zuleica Yael Walker, Elisabet Fagioli, Gianfranco |
author |
Venturini, Virginia |
author_facet |
Venturini, Virginia Marchetti, Zuleica Yael Walker, Elisabet Fagioli, Gianfranco |
author_role |
author |
author2 |
Marchetti, Zuleica Yael Walker, Elisabet Fagioli, Gianfranco |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
SEGMENTACION SENTINEL-2 APRENDIZAJE AUTOMATICO HUMEDALES FLUVIALES SEGMENTATION SENTINEL-2 MACHINE LEARNING RIVER WETLANDS |
topic |
SEGMENTACION SENTINEL-2 APRENDIZAJE AUTOMATICO HUMEDALES FLUVIALES SEGMENTATION SENTINEL-2 MACHINE LEARNING RIVER WETLANDS |
dc.description.none.fl_txt_mv |
En la Argentina se observa una frecuencia creciente de desastres naturales como desbordes de ríos, sequías extremas e incendios forestales naturales. Ante estas catástrofes, es fundamental gestionar de manera eficiente la toma de decisiones rápidas para minimizar los daños; esta es una preocupación latente tanto de los gobiernos locales y regionales como de la comunidad científica. La cuenca del río Paraná, en la Argentina, representa un recurso estratégico, ya que engloba la mayor riqueza fluvial y ecológica, además de grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados en sus cercanías. La presencia de vegetación acuática (libre o arraigada) enmascara las áreas anegadas y ocultan los primeros indicios de anegamiento, lo cual dificulta el monitoreo y la rápida detección de esas áreas. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para clasificar las diferentes coberturas del suelo en humedales del sistema fluvial del Paraná. Se hizo foco en ambientes donde coexisten el agua libre y la vegetación acuático-palustre, típicos de la región metropolitana de la ciudad de Santa Fe, considerando las limitaciones técnicas de los organismos tomadores de decisiones. Se usaron imágenes de la misión Sentinel-2 (S2) para entrenar y evaluar el rendimiento de distintos algoritmos de aprendizaje automático. Se utilizaron todas las bandas de las imágenes S2, unificando la resolución espacial en 10 m. Los resultados indicaron que las bandas de aerosoles costeros (B1) y dos bandas de infrarrojo medio (B11 y B12) son las que aportan más información para identificar las clases muestreadas. Por otra parte, el método random forest fue el de mejor desempeño para la clase vegetación acuática, de interés especial en este trabajo Natural disasters, such as river overflows, extreme droughts, natural forest fires are more frequently observed in Argentina. Faced with these catastrophes, efficient management is essential to make quick decisions to minimize damage, which is a latent concern in local and regional governments and in the scientific community. In Argentina, the Paraná River basin represents a strategic resource in itself, as it encompasses the greatest fluvial, ecological wealth and large urban centers. However, the extreme events that characterize the dynamics of the wetlands affect the urban centers located near them. The presence of aquatic vegetation (free or rooted) masks the flooded areas, hiding the first signs of flooding, making the monitoring and rapid detection of these areas difficult. In this work, optical satellite images and machine learning models were used to classify the different land covers in wetlands of the Paraná river system. The focus was on environments where free water and aquatic marsh vegetation coexist, characteristic of the metropolitan region of the city of Santa Fe, and considering the technical limitations of decision-making agencies. Therefore, the Sentinel-2 (S2) mission images were used to train and evaluate different machine learning algorithms. All bands of S2 images were used, unifying the spatial resolution to 10 m. The results indicated that the coastal aerosol bands (B1) and two mid-infrared bands (B11 and B12) provide the most information for the identification of the samples. Moreover, the random forest method showed the best performance for the aquatic vegetation class, which was of primary interest for this work Fil: Venturini, Virginia. Universidad Nacional del Litoral-CONICET. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina Fil: Marchetti, Zuleica Yael. Universidad Nacional del Litoral-CONICET. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina Fil: Walker, Elisabet. Universidad Nacional del Litoral-CONICETFacultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina Fil: Fagioli, Gianfranco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas (UNL-FICH). Santa Fe. Argentina |
description |
En la Argentina se observa una frecuencia creciente de desastres naturales como desbordes de ríos, sequías extremas e incendios forestales naturales. Ante estas catástrofes, es fundamental gestionar de manera eficiente la toma de decisiones rápidas para minimizar los daños; esta es una preocupación latente tanto de los gobiernos locales y regionales como de la comunidad científica. La cuenca del río Paraná, en la Argentina, representa un recurso estratégico, ya que engloba la mayor riqueza fluvial y ecológica, además de grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados en sus cercanías. La presencia de vegetación acuática (libre o arraigada) enmascara las áreas anegadas y ocultan los primeros indicios de anegamiento, lo cual dificulta el monitoreo y la rápida detección de esas áreas. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para clasificar las diferentes coberturas del suelo en humedales del sistema fluvial del Paraná. Se hizo foco en ambientes donde coexisten el agua libre y la vegetación acuático-palustre, típicos de la región metropolitana de la ciudad de Santa Fe, considerando las limitaciones técnicas de los organismos tomadores de decisiones. Se usaron imágenes de la misión Sentinel-2 (S2) para entrenar y evaluar el rendimiento de distintos algoritmos de aprendizaje automático. Se utilizaron todas las bandas de las imágenes S2, unificando la resolución espacial en 10 m. Los resultados indicaron que las bandas de aerosoles costeros (B1) y dos bandas de infrarrojo medio (B11 y B12) son las que aportan más información para identificar las clases muestreadas. Por otra parte, el método random forest fue el de mejor desempeño para la clase vegetación acuática, de interés especial en este trabajo |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-12 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
https://hdl.handle.net/20.500.12110/ecologiaaustral_v033_n03_p743 |
url |
https://hdl.handle.net/20.500.12110/ecologiaaustral_v033_n03_p743 |
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 |
Asociación Argentina de Ecología |
publisher.none.fl_str_mv |
Asociación Argentina de Ecología |
dc.source.none.fl_str_mv |
Ecol. austral (En línea) 2023;03(033):743-756 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_ |
1844618747250212864 |
score |
13.070432 |