Desarrollo de modelos de inteligencia artificial para el estudio de la exposición a inundaciones del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto

• Autores: González Omahen, Augusto; Cappelletti, Lucía M.; Fernández Slezak, Diego
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Inundaciones; Chaco; iImágenes satelitales; Inteligencia artificial; U-net; Floods; Satellite Imagery; Artificial Intelligence
• Institución: Universidad Nacional de La Plata

La producción agropecuaria es la actividad económica más relevante en la provincia del Chaco, Argentina. Debido a factores ambientales como las altas precipitaciones en la región, su población rural y producción agropecuaria se ve afectada de manera directa por inundaciones. Este trabajo consiste en el desarrollo de modelos de inteligencia artificial (IA) con el propósito de mejorar la identificación de las zonas anegables de la provincia, tomando como sitio de estudio el Departamento de Bermejo. Si bien existen mapas globales para identificar agua en superficie, estos no garantizan su utilidad a escala regional. Es por ello que la identificación de esta variable generaría conocimiento relevante para el monitoreo de inundaciones y planificación de estrategias. Para esto diseñamos herramientas de identificación remota mediante el empleo de imágenes satelitales ópticas. Implementamos tres modelos de segmentación de imágenes: Support Vector Machine (SVM) y Random Forest (RF), modelos de aprendizaje automático tradicionales, y un modelo basado en técnicas de aprendizaje profundo y en la arquitectura U-Net. El objetivo de este trabajo es optimizar la detección de agua superficial mediante redes neuronales convolucionales que consideren la vecindad espacial de los píxeles, en lugar de los modelos clásicos que lo omiten. Se utilizaron imágenes satelitales Landsat para entrenar y evaluar el rendimiento de los modelos. Los resultados en la segmentación y detección de agua en superficie del modelo basado en una arquitectura U-Net mejora un 24% el índice DICE y un 17% el accuracy, respecto a los modelos de SVM y RF. Estos resultados validan que técnicas de aprendizaje profundo que consideran la vecindad de píxeles potencian la identificación de agua en superficie.
Agriculture and livestock farming are the main economic activities in the Province of Chaco, Argentina. Due to environmental characteristics such as high regional precipitation, flooding directly affects rural populations and agricultural production.This study focuses on developing artificial intelligence (AI) models to improve the identification of flood-prone areas, using the Department of Bermejo as a case study. Although global surface water maps exist, they are not always reliable at regional scales. Therefore, generating accurate information on surface water is essential for effective flood monitoring and regional planning. We developed remote sensing tools based on optical satellite imagery and implemented three image segmentation models: Support Vector Machine (SVM) and Random Forest (RF), based on traditional machine learning algorithms, and a deep learning model using the U-Net architecture. The goal of this study is to enhance surface water detection using Convolutional Neural Networks (CNNs) that incorporate spatial pixel context, in contrast to traditional models that ignore this aspect. We used Landsat satellite imagery to train and evaluate model performance. The U-Net-based model achieved a 24% increase in the DICE coefficient and a 17% improvement in accuracy compared to the SVM and RF models. These findings confirm that deep learning techniques that account for spatial context significantly improve the identification of surface water.
Sociedad Argentina de Informática e Investigación Operativa