Registro:
| Documento: | Tesis de Grado |
| Título: | Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto |
| Autor: | González Omahen, Augusto Ezequiel |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Fecha de defensa: | 2025-12-15 |
| Fecha en portada: | 2025 |
| Grado Obtenido: | Grado |
| Título Obtenido: | Licenciado en Ciencias de la Computación |
| Departamento Docente: | Departamento de Computación |
| Director: | Cappelletti, Lucía María |
| Director Asistente: | Fernández Slezak, Diego |
| Jurado: | Buemi, María Elena; Negri, Pablo Augusto |
| Idioma: | Español |
| Palabras clave: | INUNDACIONES; CHACO; IMAGENES SATELITALES; INTELIGENCIA ARTIFICIAL; U-NET |
| Formato: | PDF |
| Handle: |
https://hdl.handle.net/20.500.12110/seminario_nCOM000881_GonzalezOmahen |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nCOM000881_GonzalezOmahen.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/seminario/document/seminario_nCOM000881_GonzalezOmahen |
| Ubicación: | COM 000881 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. González Omahen, Augusto Ezequiel. (2025). Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/seminario_nCOM000881_GonzalezOmahen |
Resumen:
La producción agrícola-ganadera es la actividad económica de mayor relevancia en la Provincia del Chaco, Argentina. Debido a factores ambientales como las elevadas precipitaciones de la región, tanto su población rural como su producción agropecuaria se ven afectadas de manera directa por las 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. Por ello, desarrollar herramientas de identificación del agua superficial a escala regional es relevante para el monitoreo de inundaciones y la planificación de estrategias de mitigación y adaptación. Para esto se diseñaron herramientas de identificación remota mediante el empleo de imágenes satelitales ópticas. Se implementaron tres modelos de segmentación de imágenes: Support Vector Machine (SVM) y Random Forest (RF), y un modelo basado en técnicas de aprendizaje profundo (Deep Learning) y en la arquitectura U-Net. RF y SVM son modelos de aprendizaje automático tradicionales que clasifican cada píxel basándose únicamente en la información del mismo; su principal limitación es que operan de forma aislada, ignorando por completo el contexto espacial de los píxeles vecinos. En cambio, el modelo de deep learning empleado, diseñado para optimizar la detección de agua empleando Redes Neuronales Convolucionales (CNNs), sí considera la vecindad espacial de los píxeles. Si bien existen técnicas para que los modelos RF y SVM tengan en cuenta la información espacial, se optó por implementar modelos más recientes para esta tarea como son las CNNs. Se seleccionaron los modelos RF y SVM ya que son los utilizados en trabajos previos que fueron tomados como base para este estudio. 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 alcanzó un DICE promedio de 0.75, superior a RF (0.67) y SVM (0.60); para comparaciones homogéneas todas las métricas reportadas se corresponden al coeficiente DICE. De esta manera, el modelo que usa la información de la vecindad mejora el índice DICE en un 13% respecto a los modelos de píxel individual. Estos resultados validan que técnicas de aprendizaje profundo que consideran la vecindad de píxeles potencian la identificación de agua en superficie.
Citación:
---------- APA ----------
González Omahen, Augusto Ezequiel. (2025). Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/seminario_nCOM000881_GonzalezOmahen
---------- CHICAGO ----------
González Omahen, Augusto Ezequiel. "Desarrollo de modelos de inteligencia artificial para el estudio del riesgo hídrico del río Paraguay en Chaco utilizando herramientas de sensoramiento remoto". Tesis de Grado, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2025.https://hdl.handle.net/20.500.12110/seminario_nCOM000881_GonzalezOmahen
Estadísticas:
Descargas mensuales
Total de descargas desde :
https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nCOM000881_GonzalezOmahen.pdf
Distrubución geográfica
