Evaluación de daños en las ciudades producidos por desastres naturales utilizando machine learning
Autor/es: Cogo Belver, Martín;
Director/a: Olivera, Ana Carolina
Tipo de tesis: Tesina de grado
Título al que opta: Licenciado/a en Ciencias de la Computación
Carrera / Programa: Licenciatura en Ciencias de la Computación
Unidad Académica / Dependencia: Universidad Nacional de Cuyo. Facultad de Ingeniería
Institución otorgante: Universidad Nacional de Cuyo. Facultad de Ingeniería
Año de realización / defensa: 2024
Cantidad de páginas: 125 p.
Idioma: Español
Resumen en Español:
Desde el comienzo de la humanidad, los desastres naturales han sido un desafío constante que el ser humano ha enfrentado para poder sobrevivir. Eventos como huracanes, incendios forestales, inundaciones y sismos o terremotos han sido causantes de daños estructurales en edificios y ciudades, generando un problema de asignación de recursos escasos para el rescate de personas y reparación de daños.
En este contexto, las imágenes satelitales son un recurso valioso que proporcionan una visión completa del área afectada por un desastre natural y permiten la cuantificación rápida de edificios dañados.
Teniendo en cuenta los últimos avances tecnológicos de la inteligencia artificial, especialmente en el campo del Deep Learning, este trabajo busca evaluar el desempeño de una red neuronal convolucional siamesa en la tarea de detección y clasificación de daños sobre edificios usando imágenes satelitales. Se adopta un enfoque de detección de cambios en imágenes antes y después de un desastre en zonas afectadas. Como parte del aporte de este trabajo se utilizan técnicas para asegurar un entrenamiento riguroso del modelo, una estrategia de muestreo desarrollada en este trabajo basada en un algoritmo voraz (greedy) y la implementación de un prototipo de página web que demuestra su aplicabilidad práctica.
Disciplinas
Descriptores
Palabras claves
Este contenido se encuentra
publicado en
políticas de Acceso Abierto, bajo licencias
Creative Commons 3.0 - Algunos Derechos
Reservados
