Detección de cuerpos de agua mediante el procesamiento de imágenes satelitales utilizando un modelo de Deep Learning en la provincia de Cangallo, 2024
Loading...
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de San Cristóbal de Huamanga
Abstract
La presente investigación evaluó un modelo de Deep Learning basado en la arquitectura U-Net para la segmentación automatizada de cuerpos de agua en la provincia de Cangallo mediante imágenes Sentinel-2A. Bajo un enfoque cuantitativo y un diseño experimental categorizado como cuasi-experimento tecnológico, se procesó un dataset de 1,327 parches geoespaciales de 256 × 256 píxeles. Para el proceso de aprendizaje se emplearon 1,115 parches (con un 15% destinado a validación), reservando un conjunto ciego de 212 parches para la fase de prueba, lo que consolidó una muestra neta de 13,893,632 píxeles. El algoritmo fue regularizado mediante técnicas de Data Augmentation, funciones de activación LeakyReLU y una función de pérdida híbrida. En la evaluación final, el modelo alcanzó una exactitud global del 94.64% y un Índice de Intersección sobre Unión (IoU) de 0.8739. La prueba de Chi-Cuadrado de Pearson (𝑝𝑝 < 0.05; 𝑉𝑉 = 0.9356) demostró una asociación estadística significativa entre las predicciones y la verdad terreno, mientras que la prueba de McNemar (𝑝𝑝 < 0.05) confirmó la diferencia de rendimiento frente al índice MNDWI al registrar 489,834 píxeles discrepantes a favor de la red neuronal. Como limitación del modelo implementado, se generaron 53,329 falsos positivos originados por la interferencia radiométrica de las sombras orográficas andinas. Se concluye que la arquitectura U-Net es una herramienta eficaz para la cartografía hídrica automatizada en regiones altoandinas.
Description
Keywords
Detección, Cuerpos de agua, Deep Learning, Diseño experimental, imágenes satelitales, Cangallo
