Detección de cuerpos de agua mediante el procesamiento de imágenes satelitales utilizando un modelo de Deep Learning en la provincia de Cangallo, 2024

Simple item page
dc.contributor.advisorLeón Palacios, Edward
dc.contributor.authorChavez Tito, Alex Elven
dc.date.accessioned2026-08-07T14:18:39Z
dc.date.available2026-08-07T14:18:39Z
dc.date.issued2026
dc.description.abstractLa 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.es_PE
dc.description.uriTesises_PE
dc.formatapplication/pdf
dc.identifier.otherTESIS CIV652_Cha
dc.identifier.urihttps://hdl.handle.net/20.500.14612/8999
dc.language.isospaes_PE
dc.publisherUniversidad Nacional de San Cristóbal de Huamangaes_PE
dc.publisher.countryPE
dc.rightshttps://purl.org/coar/access_right/c_abf2en_US
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.sourceUniversidad Nacional de San Cristóbal de Huamangaes_PE
dc.sourceRepositorio Institucional - UNSCHes_PE
dc.subjectDetecciónes_PE
dc.subjectCuerpos de aguaes_PE
dc.subjectDeep Learninges_PE
dc.subjectDiseño experimentales_PE
dc.subjectimágenes satelitaleses_PE
dc.subjectCangalloes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.01.01
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.03
dc.titleDetección de cuerpos de agua mediante el procesamiento de imágenes satelitales utilizando un modelo de Deep Learning en la provincia de Cangallo, 2024es_PE
dc.typehttp://purl.org/coar/resource_type/c_7a1fen_US
renati.advisor.dni28294525
renati.advisor.orcidhttps://orcid.org/0000-0003-4305-9582
renati.author.dni74020637
renati.discipline73200082
renati.jurorBendezú Prado, Jaime Leonardo
renati.jurorRetamozo Fernández, Saúl Walter
renati.jurorLeón Palacios, Edward
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineIngeniería Civil
thesis.degree.grantorUniversidad Nacional de San Cristóbal de Huamanga. Facultad de Ingeniería de Minas, Geología y Civil
thesis.degree.levelTítulo Profesional
thesis.degree.nameIngeniero Civil
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
TESIS CIV652_Cha.pdf
Size:
21.17 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
AUT TESIS CIV652_Cha.pdf
Size:
242.59 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
INFO TESIS CIV652_Cha.pdf
Size:
13.53 MB
Format:
Adobe Portable Document Format
Download
Collections
ESCUELA PROFESIONAL DE INGENIERÍA CIVIL