Uso de aprendizaje automático para la corrección de modelos digitales de elevación radar con imágenes landsat

• Autores: Bruscantini, Carolina Analía
• Año de publicación: 2020
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Lo Vercio, Lucas; Rinaldi, Pablo
• Materia: DEMs; Buenos Aires; Argentina; Modelado de inundaciones; Imágenes landsat; Ingeniería de sistemas; Vegetación arbórea; Modelos digitales de elevación radar; Aprendizaje automático
• Institución: Universidad Nacional del Centro de la Provincia de Buenos Aires

Los Modelos Digitales de Elevación (DEMs) representan el relieve de la superficie terrestre mediante un conjunto de puntos distribuidos de forma homogénea, generalmente en formato de grilla o ráster, que contienen una cota de altura en referencia al nivel del mar. Existen diferentes métodos para la obtención de un DEM desde el relevamiento terrestre con instrumental especifico hasta la reconstrucción a partir de imágenes aéreas o satélites con diferentes tipos de sensores. A nivel global, los DEMs más ampliamente difundidos son los de origen radar producidos por la NASA, denominados SRTM, por su probada calidad, su cobertura cercana al 90 % del planeta y disponibilidad gratuita en versión de 30 metros de resolución. Estos modelos representan la elevación natural del terreno y todo lo que esté sobre este, sea natural o artificial como árboles o edificaciones. Para ciertas aplicaciones como la simulación de escurrimiento superficial esto representa un inconveniente. En particular, cuando los árboles se encuentran sembrados en conjunto pueden generar grandes diferencias entre la superficie del DEM y la superficie real por donde escurre el agua. Este es el caso de las zonas rurales de la provincia de Buenos Aires donde los árboles son generalmente plantados por el hombre en hileras que se transforman en muros a la hora de simular inundaciones sobre un DEM SRTM. En el presente trabajo se propone una herramienta que permite la detección automática de la vegetación arbórea en DEMs de origen radar con el fin de corregir estas diferencias y mejorar su eficiencia en el modelado de inundaciones. Para la detección automática se generaron diferentes clasificadores supervisados (Random Forest) a partir de distintas zonas que fueron evaluados con un conjunto de datos de testeo obteniendo resultados de hasta un F1 Score de 0,8 en los casos que incluyeron indicadores relacionados con las texturas del terreno. Este proceso genera como resultado máscaras de vegetación arbórea que luego son utilizadas para corregir los DEMs a través de un método de interpolación. Los DEMs corregidos fueron comparados utilizando DEMs de alta resolución obtenidos a través de la tecnología LiDAR, los cuáles representan un modelo de tierra desnuda. Todo el proceso se automatizó mediante la implementación de un plug-in para la herramienta GIS de uso libre QGis.
Fil: Bruscantini, Carolina Analía. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Lo Vercio, Lucas. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Rinaldi, Pablo. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.