MEJORA DE LA DETECCIÓN DE AGUA PERMANENTE Y AGUA

TEMPORAL EN DESASTRES POR INUNDACIONES MEDIANTE LA FUSIÓN

DE IMÁGENES SENTINEL-1 Y SENTINEL-2 UTILIZANDO ALGORITMOS DE
APRENDIZAJE PROFUNDO: DEMOSTRACIÓN DE CONJUNTOS DE
DATOS DE REFERENCIA SEN1 FLOODS 11

INTRODUCCIÓN
Los desastres naturales como terremotos, deslizamiento de suelo rocoso y las
inundaciones representan un alto nivel de amenaza para las personas y sus
propiedades. En este caso las inundaciones son el desastre más frecuente y
mortal, este desastre es el que afecta más que los demás a las personas de
todo el mundo. Luca B. (2021) Nos menciona que las inundaciones no solo
causan perdidas, lesiones, muertes o daño a las infraestructuras, sino que
pueden ser un efecto directo sobre la salud. En esta última década se a
detectado más de 2850 desastres naturales de alto peligro en todo el mundo de
los cuales un 46% es decir 1298 fueron inundaciones. Por otro lado, la
identificación de las aguas temporales en los desastres ocasionado por
inundaciones y aguas permanentes de basa a través de métodos de detección
en cambios multitemporales. Para este tipo de enfoque se requiere escenas de
teledetección multitemporales que de obtuvieron antes y después de la
inundación. Aunque un dato curioso sobre este método multitemporal es que
puede detectar el agua temporal en desastres por inundaciones, pero por otro
lado es limitado en la demandada de imágenes satelitales antes de los
desastres de inundaciones Con objetivo de demostrar nuevos algoritmos de
aprendizaje profundo, mapeo de inundaciones basado en la fusión e datos de
múltiples fuentes mediante el aprovechamiento de datos en conjunto
Sen1Flood11 a gran escala, que constan de aproximadamente 4831 imágenes
ópticas del Sentinel-1 SAR y Sentinel-2 obtenidas de las inundaciones
ocurridas durante estos últimos años a nivel mundial. Como resultado de las
inundaciones en el 2019, obtenemos que fueron 127 la cantidad de
inundaciones en todo el mundo el cual se vieron afectados 69 países,
ocasionando pérdidas materiales e infraestructura, lesiones de alta gravedad,
1586 muertes y más de 10 millones de desplazamientos. Concluyendo,
obtenemos que las inundaciones en un futuro pueden convertirse un desastre
muy frecuente que amenace a la sociedad humana de todo el mundo debido a
el aumento del mar, a causa del calentamiento global o cambio climático que
provoca el descongelamiento de los icebergs. La forma esencial para reducir
las consecuencias debido a estos desastres es mejora la rapidez de respuesta
y mitigación de riesgo. Estos últimos años las imágenes de satélites de
teledetección es una herramienta efectiva para responder a estos desastres,
mientras que por otro lado la identificación eficiente de agua temporal o
estancada en desastres ocasionados por inundaciones es un desafío pendiente
hoy en día.
PRIMERA REFERENCIA
| de teledetección | gratuita de texto completo Mejora de la detección de agua permanente y agua temporal en desastres por inundaciones
mediante la fusión de imágenes Sentinel-1 y Sentinel-2 utilizando algoritmos de aprendizaje profundo: demostración de conjuntos de datos de
referencia Sen1Floods11 | .HTML (mdpi.com)

UNA APLICACIÓN BASADA EN IMÁGENES SAR PARA EL MONITOREO Y

PREVENCIÓN DE INUNDACIONES

INTRODUCCIÓN
Soledad (2009) Las anomalías extremas que se dan por grandes cantidades de
agua se le da el nombre de inundaciones, esta misma es un componente
variable del clima. Los efectos negativos que trae este desastre natural son la
pérdida de vidas, pérdida de materiales y bienes raíces y daños a las
infraestructuras. La CONAE ( Comisión Nacional de Actividades Espaciales)
tiene como objetivo implementar y formular el plan PEN (Plan Espacial
Nacional) centrado en la observación de la tierra desde el espacio a través de
imágenes satelitales que permitan la observación de posibles casos de
inundación en la zona monitoreada. Como resultado de monitoreo en la zona
de Tartagal el 18 de Abril del 2006 gracias a CONAE considerando 100 cortes
de 400 x 400 pixeles de imágenes SAR cada una. Se obtuvo una media de
nivel. 26 para el caso de agua , 130 en caso de tierra y un desvío de 15.40 en
caso de agua y un 38.3 en caso de tierra. Concluyendo la teledetección a
través de diferentes sensores es de gran utilidad para el seguimiento de
posibles casos de inundaciones en lugares habitables por personas. Evitando
crear costos excesivos por reparación al estado y al país.
SEGUNDA REFERENCIA

https://www.google.com/url?sa=t&source=web&rct=j&url=https://rdu.unc.edu.ar/bitstream/handle/
11086/19/14976.pdf%3Bsequence%3D1&ved=2ahUKEwiZoI-
G8fn6AhW_FbkGHdFJCvUQFnoECC8QAQ&usg=AOvVaw35AYHi_k87qQgUDc9Cxmtt.

SEN1 FLOODS 11: UN CONJUNTO DE DATOS

GEORREFERENCIADOS PARA ENTRENAR Y PROBAR LA
INUNDACIÓN DE APRENDIZAJE PROFUNDO ALGORITMOS
PARA SENTINEL-1

INTRODUCCIÓN
Erica (2020) Las inundaciones son causantes de más daños a la población
humana que otro desastre. En la actualidad el porcentaje de inundaciones se
acerca a la mitad de todos los desastres, afectando a 2300 millones de
personas en el mundo. Para una mejor respuesta a la gestión de riesgos de
inundación son de gran ayuda las observaciones satelitales que pueden ayudar
a dar respuesta y recuperación del ciclo de desastre. El mapeo de
inundaciones a través de imágenes satelitales ha ayudado, por ejemplo, a
refugiados en la República del Congo en áreas propensas a inundaciones, esto
ayuda al gobierno a ahorrar millones de dólares en reparación de
infraestructura y daños hacia la población. Como objetivo demostramos la
función de la clasificación permanente de las imágenes satelitales. El total de
agua superficial a través de 4 subconjuntos, primero tenemos 446 fragmentos
de agua superficial etiquetados a mano de inundaciones, segundo 814 chips de
etiquetas de agua permanentes disponibles públicamente de Landsat (agua
superficial), tercero tenemos 4385 chips de agua superficial clasificado de
sentinel-2 y por último tenemos 4385 chips de agua superficial clasificada a
través de imágenes Sentinel-1 de inundación de eventos. El resultado que
obtenemos es que el modelo FCNN entrenado en clasificación de eventos de
inundación Sentinel-2 funciona mejor en la identificación de agua superficial
total y la inundación. Mientras que por otro lado el umbral de retrodispersión
muestra mejor resultado para identificar solo los tipos de agua permanente.
Nuestro resultado sugiere que el modelo de aprendizaje profundo para la
detección de las inundaciones de radar puede superar los algoritmos de
detección remota a través de umbrales y funcionar mejor si le agregamos
etiquetas de entrenamiento que incluyan agua de inundación. En conclusión,
aunque la visión artificial ya está contribuyendo considerablemente en la
mejora de teledetección de la tierra, no hay conjunto de datos disponibles para
entrenar algoritmos de detección de inundaciones usando imágenes satelitales
disponibles públicamente. Aunque nos centramos en las aguas superficiales
para inundaciones específicas, para que podamos contribuir significativamente
a los esfuerzos en los operativos de monitoreo para el socorro de la población
humana.
TERCERA REFERENCIA Sen1Floods11: A Georeferenced Dataset to Train and Test Deep Learning Flood Algorithms for Sentinel-1 (thecvf.com)

METODOLOGÍA PARA ESTIMAR PROFUNDIDADES DE INUNDACIÓN EN

UN TRAMO DEL RÍO EBRIO, BASADA EN LA UTILIZACIÓN DE DATOS DE
LANDAS SENTINEL -2 . RADAR SAR SENTINEL-1 Y LIDAR.

INTRODUCCIÓN
Chávez E. (2020) Las inundaciones son uno de los muchos desastres naturales
que causan mayor daño a la población. Existen diferentes metodologías para
realizar estudios de información sobre zonas de inundaciones, hoy en día la
herramienta más eficaz son las imágenes satelitales acerca de zonas de
inundación. El objetivo principal es estimar la profundidad de las zonas de
inundación a través de imágenes satelitales de Sentinel-2 y Landsat 8. Como
resultado de estudio en el río Ebro para lo sucedido el 13 de abril de 2018, para
el caso de RADAR se llevaron a ejecución calibraciones y ajustes necesarios
para determinar los píxeles que contenían agua. Por otra parte, para los casos
de imágenes satelitales de Sentinel-2 y Landsat 8 se aplicó el NDWI conocido
en inglés como Normalized Difference Water Index. Los resultados fueron los
esperados, determinando que la profundidad variaba entre los 0 a 2m de
distancia. Concluyendo con esta investigación podemos resaltar que las
imágenes satelitales son una herramienta eficaz para la determinación de
profundidad en zonas inundadas y así poder lograr saber el grado de daños
que puede ocasionar a la zona afectada.
CUARTA REFERENCIA: http://hdl.handle.net/10017/44075.

APLICACIÓN DE LA TELEDETECCIÓN Y LOS SISTEMAS DE

INFORMACIÓN GEOGRÁFICA EN LA INTERPRETACIÓN DE ZONAS
INUNDABLES. CASO DE ESTUDIO: RÍO SOAPAGA, SECTOR PAZ DE
RÍO, BOYACÁ.

INTRODUCCIÓN
Jhon A.(2011) Las inundaciones son a causa de elevaciones de agua que
provocan el desborde inundando zonas urbanas que rodean o limitan con este.
Existen un tipo de análisis para detectar información específica acerca de una
zona inundada, estas son a través de imágenes satelitales. El objetivo de este
trabajo es usar los métodos de imágenes satelitales para prevenir el desastre
por inundaciones. Como resultado de la aplicación de este método de imagen
satelital, podemos observar que para la combinación RGB (Red, Green, Blue)
tenemos los siguientes resultados: para los tonos claros son específicamente
para las zonas construidas, los tonos cafés, naranjas y marrones son
específicamente zonas de vegetación, zona verde o bosques y por último
tenemos los tonos azules son específicamente para zonas con contenido
líquido. Concluyendo con esto a través de estas imágenes de modelo digital
podemos tener un criterio claro de el comportamiento de las zonas con
contenido líquido y zonas con probabilidad a inundarse y posteriormente
podemos determinar la cota máxima a la que podría llegar la inundación.

QUINTA REFERENCIA:
https://www.google.com/url?sa=t&source=web&rct=j&url=http://
www.scielo.org.co/pdf/cein/v23n2/
v23n2a04.pdf&ved=2ahUKEwiFg5bFm_r6AhXWHrkGHWNGABQ4ChAWegQIF
BAB&usg=AOvVaw3t7u8c9kH1RpjaLj76PuXy.