Desarrollo de un módulo de detección de zonas de acceso terrestre en entornos de desastres naturales mediante segmentación de imágenes aéreas

Abstract

Las inundaciones son una de las principales contingencias que comprometen la integridad de las redes viales, dificultando el acceso de los equipos de emergencia y afectando la toma de decisiones durante las operaciones de respuesta. En este contexto, el presente trabajo tuvo como objetivo desarrollar y evaluar un sistema basado en segmentación semántica para la detección automática de vías de acceso terrestre en escenarios posteriores a inundaciones mediante imágenes aéreas. Para ello, se realizó un estudio del estado del arte y se construyó un conjunto de datos binario a partir del dataset FloodNet mediante la generación y revisión de máscaras correspondientes a la clase Road Non-Flooded. Posteriormente, se aplicó un proceso de preprocesamiento que incluyó aumento de datos, redimensionamiento, normalización y partición del conjunto de datos. Sobre esta base se implementaron las arquitecturas U-Net, LinkNet y DeepLabV3+ utilizando TensorFlow/Keras, incorporando funciones de pérdida, callbacks y ajustes de hiperparámetros para optimizar el entrenamiento. El desempeño de los modelos fue evaluado mediante métricas de segmentación y un análisis cuantitativo y cualitativo de las predicciones obtenidas. Los resultados evidenciaron que DeepLabV3+ alcanzó el mejor desempeño, con un IoU del 84,35 %, un coeficiente Dice del 91,51 % y una precisión del 93,97 %, además de reducir aproximadamente un 45 % los falsos positivos respecto a U-Net y LinkNet. Se concluye que la metodología propuesta constituye una alternativa efectiva para la identificación automática de vías de acceso terrestre en escenarios post inundación, proporcionando información que puede contribuir a una planificación más eficiente de las operaciones de respuesta ante emergencias.