Automatización del proceso de obtención de cicatrices de incendios usando Sistemas de Información Geográfica (SIG) e Inteligencia Artificial (IA)

Abstract

Los incendios son un problema de gran interés en la actualidad, tanto en Chile como globalmente. En las últimas décadas se han visto tendencias crecientes en su ocurrencia y áreas afectadas, conllevando impactos ambientales, económicos, y sociales a su vez. Paralelamente, surge la necesidad de estudiar y cuantificar las superficies afectadas, para lo cual se requiere mapear cada cicatriz de incendio. Esto se realiza normalmente con la ayuda de imágenes satelitales, y hasta hace unos años, de algoritmos que requieren de iteraciones manuales o de una acuciosa supervisión. Las desventajas de este enfoque son su gran costo en capital humano, y los errores debido a sus limitaciones para captar la totalidad de cada cicatriz. Como alternativa a esto, se han ido desarrollando herramientas de Inteligencia Artificial (IA) en busca de automatizar y optimizar el proceso. En los últimos años, los enfoques más relevantes han sido los que usan Deep Learning (DL) y redes neuronales convolucionales (CNN), obteniendo mejores resultados usando procesos automáticos para data de los sectores específicos estudiados. De esta manera, este trabajo surge desde el proyecto FONDEF 2021 enmarcado en el estudio de incendios, donde se tiene como objetivo específico proponer una metodología para automatizar y optimizar el proceso de obtención de cicatrices de incendios de Chile, usando dos regiones prototipos que son de las más afectadas: Valparaíso y Biobío. La metodología de este trabajo utiliza un enfoque multitemporal con imágenes satelitales LANDSAT 5, 7 y 8 OLI con los incendios de estas regiones, desde las cuales se diseñaron dos datasets según el tamaño de las cicatrices y las imágenes pre y post-incendio: 1) All Sizes (AS), y 2) 128x128 (128), para entrenar, validar y testear separadamente un modelo U-Net, que es la CNN usada en este trabajo. Para mejorar el rendimiento del modelo, se realizó una optimización de hiperparámetros. Desde esto se obtuvieron los siguientes resultados para un testeo independiente con 100 imágenes representativas de la zona de estudio: un Dice Coefficient (DC)=0.932, error de omisión (OE)=0,049 y error de comisión (CE)=0,076 para el modelo AS; y un DC=0,843, OE=0,131 y CE=0,143 para el modelo 128. Esto indica que un dataset más balanceado logra un mejor rendimiento.