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
Los desastres naturales, como los desbordes de los ríos, las sequías extremas, los incendios forestales naturales se observan con mayor frecuencia en Argentina. Frente a estas catástrofes, es fundamental una gestión eficiente que tome decisiones rápidas para minimizar los daños, lo cual es una preocupación latente en los gobiernos locales y regionales y en la comunidad científica. En la Argentina, la cuenca del río Paraná representa un recurso estratégico en sí mismo, ya que engloba la mayor riqueza fluvial y ecológica, junto a grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados cerca de los mismos. La presencia de vegetación acuática (ya sea libre o arraigada) enmascara las áreas anegadas ocultando los primeros indicios de anegamiento, así el monitoreo y rápida detección de dichas áreas se dificulta. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para la clasificación de 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. Así, se utilizaron 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 Sentinel 2 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 mayor información aportan para la identificación de las clases muestreadas. Por otra parte, el método Random Forest fue el que mejor desempeño mostró para la clase vegetación acuática, de especial interés 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. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina
Fil: Marchetti, Zuleica Yael. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina
Fil: Walker, Elisabet. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina
Fil: Fagioli, Gianfranco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina
Materia
SEGMENTACIÓN
SENTINEL 2
HUMEDALES FLUVIALES
APRENDIZAJE AUTOMATICO
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/225358

id CONICETDig_525fa4cd391c3132f5745ea6c79f0b46
oai_identifier_str oai:ri.conicet.gov.ar:11336/225358
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
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, GianfrancoSEGMENTACIÓNSENTINEL 2HUMEDALES FLUVIALESAPRENDIZAJE AUTOMATICOhttps://purl.org/becyt/ford/1.5https://purl.org/becyt/ford/1Los desastres naturales, como los desbordes de los ríos, las sequías extremas, los incendios forestales naturales se observan con mayor frecuencia en Argentina. Frente a estas catástrofes, es fundamental una gestión eficiente que tome decisiones rápidas para minimizar los daños, lo cual es una preocupación latente en los gobiernos locales y regionales y en la comunidad científica. En la Argentina, la cuenca del río Paraná representa un recurso estratégico en sí mismo, ya que engloba la mayor riqueza fluvial y ecológica, junto a grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados cerca de los mismos. La presencia de vegetación acuática (ya sea libre o arraigada) enmascara las áreas anegadas ocultando los primeros indicios de anegamiento, así el monitoreo y rápida detección de dichas áreas se dificulta. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para la clasificación de 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. Así, se utilizaron 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 Sentinel 2 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 mayor información aportan para la identificación de las clases muestreadas. Por otra parte, el método Random Forest fue el que mejor desempeño mostró para la clase vegetación acuática, de especial interés 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. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; ArgentinaFil: Marchetti, Zuleica Yael. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; ArgentinaFil: Walker, Elisabet. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; ArgentinaFil: Fagioli, Gianfranco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; ArgentinaAsociación Argentina de Ecología2023-12info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/vnd.openxmlformats-officedocument.wordprocessingml.documentapplication/pdfhttp://hdl.handle.net/11336/225358Venturini, Virginia; Marchetti, Zuleica Yael; Walker, Elisabet; Fagioli, Gianfranco; Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2; Asociación Argentina de Ecología; Ecología Austral; 33; 3; 12-2023; 743-7560327-5477CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://ojs.ecologiaaustral.com.ar/index.php/Ecologia_Austral/article/view/1960info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:10:40Zoai:ri.conicet.gov.ar:11336/225358instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:10:40.582CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
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
SEGMENTACIÓN
SENTINEL 2
HUMEDALES FLUVIALES
APRENDIZAJE AUTOMATICO
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 SEGMENTACIÓN
SENTINEL 2
HUMEDALES FLUVIALES
APRENDIZAJE AUTOMATICO
topic SEGMENTACIÓN
SENTINEL 2
HUMEDALES FLUVIALES
APRENDIZAJE AUTOMATICO
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.5
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv Los desastres naturales, como los desbordes de los ríos, las sequías extremas, los incendios forestales naturales se observan con mayor frecuencia en Argentina. Frente a estas catástrofes, es fundamental una gestión eficiente que tome decisiones rápidas para minimizar los daños, lo cual es una preocupación latente en los gobiernos locales y regionales y en la comunidad científica. En la Argentina, la cuenca del río Paraná representa un recurso estratégico en sí mismo, ya que engloba la mayor riqueza fluvial y ecológica, junto a grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados cerca de los mismos. La presencia de vegetación acuática (ya sea libre o arraigada) enmascara las áreas anegadas ocultando los primeros indicios de anegamiento, así el monitoreo y rápida detección de dichas áreas se dificulta. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para la clasificación de 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. Así, se utilizaron 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 Sentinel 2 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 mayor información aportan para la identificación de las clases muestreadas. Por otra parte, el método Random Forest fue el que mejor desempeño mostró para la clase vegetación acuática, de especial interés 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. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina
Fil: Marchetti, Zuleica Yael. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina
Fil: Walker, Elisabet. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina
Fil: Fagioli, Gianfranco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina
description Los desastres naturales, como los desbordes de los ríos, las sequías extremas, los incendios forestales naturales se observan con mayor frecuencia en Argentina. Frente a estas catástrofes, es fundamental una gestión eficiente que tome decisiones rápidas para minimizar los daños, lo cual es una preocupación latente en los gobiernos locales y regionales y en la comunidad científica. En la Argentina, la cuenca del río Paraná representa un recurso estratégico en sí mismo, ya que engloba la mayor riqueza fluvial y ecológica, junto a grandes centros urbanos. Sin embargo, los eventos extremos que caracterizan la dinámica de los humedales afectan a los centros urbanos ubicados cerca de los mismos. La presencia de vegetación acuática (ya sea libre o arraigada) enmascara las áreas anegadas ocultando los primeros indicios de anegamiento, así el monitoreo y rápida detección de dichas áreas se dificulta. En este trabajo se utilizaron imágenes satelitales ópticas y modelos de aprendizaje automático para la clasificación de 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. Así, se utilizaron 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 Sentinel 2 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 mayor información aportan para la identificación de las clases muestreadas. Por otra parte, el método Random Forest fue el que mejor desempeño mostró para la clase vegetación acuática, de especial interés 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 http://hdl.handle.net/11336/225358
Venturini, Virginia; Marchetti, Zuleica Yael; Walker, Elisabet; Fagioli, Gianfranco; Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2; Asociación Argentina de Ecología; Ecología Austral; 33; 3; 12-2023; 743-756
0327-5477
CONICET Digital
CONICET
url http://hdl.handle.net/11336/225358
identifier_str_mv Venturini, Virginia; Marchetti, Zuleica Yael; Walker, Elisabet; Fagioli, Gianfranco; Análisis del desempeño de técnicas de aprendizaje automático para identificar vegetación acuática con bandas de Sentinel-2; Asociación Argentina de Ecología; Ecología Austral; 33; 3; 12-2023; 743-756
0327-5477
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://ojs.ecologiaaustral.com.ar/index.php/Ecologia_Austral/article/view/1960
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/vnd.openxmlformats-officedocument.wordprocessingml.document
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 reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844613998608121856
score 13.070432