Segmentación de Superficies Acuáticas en Imágenes Satelitales mediante Redes Neuronales Convolucionales: Aplicación en Yahuarcocha

Abstract

El monitoreo de recursos hídricos mediante teledetección es fundamental para la gestión ambiental; sin embargo, los métodos tradicionales basados en sensores de resolución media a menudo carecen de la precisión necesaria para delimitar cuerpos de agua con bordes complejos. El presente trabajo de titulación desarrolla un sistema automatizado de segmentación semántica basado en Redes Neuronales Convolucionales (CNN) para cuantificar la evolución superficial de la laguna de Yahuarcocha (Ecuador) durante el periodo 2016-2025. Se implementó la arquitectura U-Net utilizando imágenes satelitales de alta resolución PlanetScope (4.77 m/px). Para superar las limitaciones computacionales y de pérdida de información espacial asociadas al redimensionamiento de imágenes, se aplicó una estrategia de inferencia por ventanas deslizantes (Tiling) con parches de 256 _ 256 píxeles. El modelo alcanzó un coeficiente Dice de 0.9853 y una exactitud del 99.97% en el conjunto de prueba, demostrando una capacidad superior para definir bordes difusos frente a métodos convencionales. El análisis multitemporal reveló que la superficie de la laguna se ha mantenido estable en la última década, con un promedio de 2.50 km2 y una tendencia lineal prácticamente nula, descartando hipótesis de desecamiento acelerado en el periodo estudiado. El sistema propuesto constituye una herramienta robusta y escalable para el monitoreo hidrológico de precisión.