Aplicación de técnicas de Machine Learning e imágenes de radar para la detección temprana de invasiones en zonas de alto riesgo de desastres

dc.contributor.advisorMoya Huallpa, Luis Angel
dc.contributor.authorJaimes Cucho, Javier Alonso
dc.date.accessioned2023-11-22T14:36:11Z
dc.date.available2023-11-22T14:36:11Z
dc.date.created2023
dc.date.issued2023-11-22
dc.description.abstractLa presente tesis aborda la problemática de las invasiones de terrenos por grupos vulnerables. En la mayoría de casos estos grupos se asientan en zonas de alto riesgo de desastres debido a fenómenos naturales. Lo expuesto previamente se evidenció en los procesos migratorios del siglo pasado y en invasiones más recientes donde grupos de personas vulnerables se asentaron en zonas costeras periféricas a las ciudades. Estas zonas según los distintos mapas elaborados por el SIGRID y CISMID tienen mayor probabilidad de ocurrencia de desastres. Por lo tanto, esta investigación tiene por finalidad identificar, de forma temprana y remota, la creciente tasa de asentamientos informales en zonas de alto riesgo de desastres. Para tal propósito se plantea una metodología que permita detectar estructuras y patrones de asentamientos informales. Para la detección de invasiones se emplean diversas técnicas de machine learning empleando imágenes satelitales de radar, de libre acceso, de media resolución (10m) y técnica de postprocesamiento para la mejora en el desempeño de la predicción. Para la evaluación de la metodología planteada se empleó como caso de estudio la invasión en Lomo de Corvina, ocurrido en abril del 2021. Para las áreas invadidas se obtuvo valores promedio de precision del 39%, lo cual es indicador que los algoritmos sobrestiman las áreas invadidas debido a las distorsiones complejas y ruido en las imágenes de radar, y recall del 85%, lo que indica que los algoritmos identifican correctamente un alto porcentaje del área invadida. Por lo tanto, se puede emplear esta metodología para la detección temprana de áreas invadidas con características similares a las estudiadas. Se lograrán mejores resultados si las invasiones son repentinas, de gran extensión y están ubicadas en zonas poco accidentadas y sin cubierta vegetal.es_ES
dc.identifier.urihttp://hdl.handle.net/20.500.12404/26510
dc.language.isospaes_ES
dc.publisherPontificia Universidad Católica del Perúes_ES
dc.publisher.countryPEes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by/2.5/pe/*
dc.subjectAprendizaje automático (Inteligencia artificial)es_ES
dc.subjectTeledetecciónes_ES
dc.subjectGestión de riesgoses_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.01.01es_ES
dc.titleAplicación de técnicas de Machine Learning e imágenes de radar para la detección temprana de invasiones en zonas de alto riesgo de desastreses_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
renati.advisor.dni43010087
renati.advisor.orcidhttps://orcid.org/0000-0003-1764-3160es_ES
renati.author.dni74885722
renati.discipline732016es_ES
renati.jurorSanta Cruz Hidalgo, Sandra Ceciliaes_ES
renati.jurorMoya Huallpa, Luis Angeles_ES
renati.jurorKahhat Abedrabbo, Ramzy Francises_ES
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_ES
renati.typehttps://purl.org/pe-repo/renati/type#tesises_ES
thesis.degree.disciplineIngeniería Civiles_ES
thesis.degree.grantorPontificia Universidad Católica del Perú. Facultad de Ciencias e Ingenieríaes_ES
thesis.degree.levelTítulo Profesionales_ES
thesis.degree.nameIngeniero Civiles_ES

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
JAIMES_CUCHO_JAVIER_APLICACION_TECNICAS_MACHINE.pdf
Size:
4.19 MB
Format:
Adobe Portable Document Format
Description:
Texto completo
No Thumbnail Available
Name:
JAIMES_CUCHO_JAVIER_ALONSO_T.pdf
Size:
43.43 MB
Format:
Adobe Portable Document Format
Description:
Reporte de originalidad

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: