MEJORANDO LA INTERPRETACIÓN DE SERIES TEMPORALES USANDO APRENDIZAJE NO SUPERVISADO

La tecnología DInSAR provee una gran cantidad de información sobre la deformación a lo largo del tiempo del terreno ylas infraestructuras con precisión milimétrica y sin la necesidad de usar instrumentación de campo. Durante elprocesamiento DInSAR se analiza la información contenida en la fase y la amplitud de una serie de imágenes obtenidasmediante un Radar de Apertura Sintética. Estos cubrirán la misma área en distintos momentos para de este modo poderseleccionar los píxeles que poseen menor ruido en la fase permitiendo la medición de movimientos superficiales a lo largode varios kilómetros cuadrados de área y de manera más económica que mediante métodos convencionales y teniendoademás la posibilidad de obtener datos anteriores, contemporáneos o posteriores al evento estudiado. Por todo esto, elprocesamiento DInSAR posee grandes ventajas sobre tecnologías tradicionales para medir deformaciones y movimientosmilimétricos tanto del suelo como de infraestructuras. En muchos casos, el gran volumen de datos obtenido dificulta lainspección manual de estos. Lo que hace necesario el uso de metodologías apropiadas que simplifiquen la interpretaciónlos datos facilitando así también la toma de decisiones. Este articulo intenta afrontar esos problemas 1) analizando losresultados de aplicar diferentes estrategias de minería de datos 2) creando un flujo de trabajo automatizado que faciliteun análisis preliminar de los datos. Aplicando Análisis de Componentes Principales para reducir la dimensionalidad delproblema y usando algoritmos de clusterización para agrupar los puntos por características similares.