Juan Pablo Ambrosio-Ambrosio, Juan Manuel González-Camacho
{"title":"Algoritmos de aprendizaje automático para clasificar zonas de inundación a partir de imágenes de radar de apertura sintética","authors":"Juan Pablo Ambrosio-Ambrosio, Juan Manuel González-Camacho","doi":"10.24850/j-tyca-14-04-03","DOIUrl":null,"url":null,"abstract":"El uso de imágenes de radar de apertura sintética (SAR) representa unafuente valiosa de información para caracterizar regiones geográficas susceptibles de inundaciones, como en el sureste de México, ya que éstas no son sensibles a condiciones de nubosidad y/u oscuridad. En estainvestigación se presenta una metodología para identificar cuerpos de agua en una región del sureste de México. Se aplicaron tres algoritmosde aprendizaje automático: bosque aleatorio (RF), potenciación delgradiente (GB) y máquina de soporte vectorial (SVM) para clasificar las tres clases objetivo A: agua, áreas inundadas y cuerpos de agua; I: infraestructura urbana y/o suelo desnudo, y V: vegetación a partir de imágenes SAR. La imagen SAR utilizada cubre una zona geográficaproyectada UTM Zona 15 Norte WGS84, localizada en los estados de Tabasco y Chiapas, la cual fue preprocesada para disminuir errores en la imagen. Los modelos RF, GB y SVM se implementaron en lenguaje Python,que fueron entrenados y probados en predicción a partir de una base de datos de 12 000 muestras, con valores de amplitud de la imagen SAR. El modelo RF obtuvo una precisión global de clasificación (푃푃푃푃) de 0.979(+/-0.003); GB obtuvo푃푃푃푃= 0.979(+/-0.003), y SVM푃푃푃푃 = 0.974(+/-0.005).Los tres modelos obtuvieron un valor de F1_score superior a 0.99 parapredecir la clase A; el clasificador RF obtuvo valores de 퐴퐴퐴퐴퐴퐴 = 1 para las tres clases objetivo evaluadas. Este estudio permite mostrar el uso potencial de las imágenes satelitales SAR y el alto desempeño de los modelos de aprendizaje automático RF, GB y SVM para clasificar e identificar los cuerpos de agua, así como resaltar su importancia en estudios de los posibles impactos de las inundaciones","PeriodicalId":48977,"journal":{"name":"Tecnologia Y Ciencias Del Agua","volume":"64 1","pages":"0"},"PeriodicalIF":0.3000,"publicationDate":"2023-07-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Tecnologia Y Ciencias Del Agua","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.24850/j-tyca-14-04-03","RegionNum":4,"RegionCategory":"环境科学与生态学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"ENGINEERING, CIVIL","Score":null,"Total":0}
引用次数: 0
Abstract
El uso de imágenes de radar de apertura sintética (SAR) representa unafuente valiosa de información para caracterizar regiones geográficas susceptibles de inundaciones, como en el sureste de México, ya que éstas no son sensibles a condiciones de nubosidad y/u oscuridad. En estainvestigación se presenta una metodología para identificar cuerpos de agua en una región del sureste de México. Se aplicaron tres algoritmosde aprendizaje automático: bosque aleatorio (RF), potenciación delgradiente (GB) y máquina de soporte vectorial (SVM) para clasificar las tres clases objetivo A: agua, áreas inundadas y cuerpos de agua; I: infraestructura urbana y/o suelo desnudo, y V: vegetación a partir de imágenes SAR. La imagen SAR utilizada cubre una zona geográficaproyectada UTM Zona 15 Norte WGS84, localizada en los estados de Tabasco y Chiapas, la cual fue preprocesada para disminuir errores en la imagen. Los modelos RF, GB y SVM se implementaron en lenguaje Python,que fueron entrenados y probados en predicción a partir de una base de datos de 12 000 muestras, con valores de amplitud de la imagen SAR. El modelo RF obtuvo una precisión global de clasificación (푃푃푃푃) de 0.979(+/-0.003); GB obtuvo푃푃푃푃= 0.979(+/-0.003), y SVM푃푃푃푃 = 0.974(+/-0.005).Los tres modelos obtuvieron un valor de F1_score superior a 0.99 parapredecir la clase A; el clasificador RF obtuvo valores de 퐴퐴퐴퐴퐴퐴 = 1 para las tres clases objetivo evaluadas. Este estudio permite mostrar el uso potencial de las imágenes satelitales SAR y el alto desempeño de los modelos de aprendizaje automático RF, GB y SVM para clasificar e identificar los cuerpos de agua, así como resaltar su importancia en estudios de los posibles impactos de las inundaciones
期刊介绍:
Published by the Mexican Institute of Water Technology, Water Technology and Sciences (Tecnología y ciencias del agua) is a highly specialized journal which reflects two important characteristics:
The interdisciplinary nature of its articles and notes.
The international scope of its authors, editors, reviewers, and readers.
It constitutes the continuity of the journal Irrigación en México (Irrigation in Mexico) (1930-1946); Ingeniería hidráulica en México (Hydraulic Engineering in Mexico) (1947-1971); Recursos hidráulicos (Hydraulic Resources) (1972-1978), and Ingeniería hidráulica en México, second period (1985-2009).
The journal is aimed at researchers, academics, and professionals who are interested in finding solutions to problems related to the water.
The journal’s contents are interdisciplinary and contain previously unpublished articles and notes that offer original scientific and technological contribution that are developed in the fields of knowledge related to the following disciplines:
Water and energy.
Water quality.
Hydro-agricultural sciences.
Political and social science.
Water management.
Hydrology.
Hydraulics.