|
Fecha de propuesta:
07/02/2024
(Pendiente de aceptación)
Descripción:
En la simulación de procesos naturales disponer de información actualizada y fiable es fundamental. En particular, en la simulación de incendios forestales es muy relevante disponer de las áreas en las que existe vegetación susceptible de ser quemada. Esta información tiene además carácter estacional, ya sea
por motivos meteorológicos, accidentales, o de la acción humana.
En este proyecto, se propone el desarrollo de una estrategia que permita generar de forma automática cartografía de cobertura vegetal a partir de información satelital mediante el uso de procedimientos de clasificación supervisada basados en machine learning. El resultado es útil es sí mismo (p.e. para el estudio de la severidad de un incendio previo), o como input para un modelo de simulación de incendios forestales.
Objetivos funcionales:
El primer objetivo es el desarrollo de un script basado en
Python que permita la descarga de datos de la plataforma Sentinel Hub, mediante
servicios WCS filtrando por localización y fecha. Se analizará que bandas espectrales son las más apropiadas para detectar la presencia de vegetación o la construcción de otros índices (p.e. NDVI). Posteriormente, se estudiarán diferentes procedimientos de clasificación supervisada (Random Forest, Bayesianos, Regresión logística) implementados en la librería scikit-learn y se decidirá cuál es el más apropiado.
Como segundo objetivo, se propone incorporar esta herramienta en el entorno web
del grupo Sinumcc (USAL). Se debe gestionar la configuración de la aplicación y la visualización de los resultados.
Entornos de desarrollo y explotación:
Python, GDAL, scikit-learn, NodeJS, JavaScript, Angular
|
