Publicación: Desarrollo de una librería para la obtención masiva de imágenes Sentinel y su aplicación en la detección de incendios con Deep Learning
Fecha
2024-09
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Educación a Distancia (UNED)
Resumen
Este Trabajo Fin de Máster presenta el desarrollo de un modelo predictivo para la detección de incendios forestales utilizando técnicas de aprendizaje profundo (Deep Learning) aplicadas a imágenes multiespectrales del satélite Sentinel-2 y datos de incendios activos proporcionados por el sistema FIRMS (Fire Information for Resource Management System).
Dada la creciente amenaza que representan los incendios forestales para los ecosistemas y las zonas habitadas, este proyecto busca facilitar una intervención temprana y mejorar la gestión eficiente de incendios mediante la integración de imágenes satelitales y análisis avanzado.
El proceso incluye el preprocesamiento de imágenes multiespectrales y la generación de etiquetas de referencia utilizando el índice de Pierre Markuse, especializado en la identificación de áreas quemadas. Se implementaron modelos de segmentación semántica, como U-Net y SegNet, entrenados para identificar áreas afectadas por incendios. Estos modelos capturaron características clave de las imágenes, mejorando la precisión de la segmentación.
Se utilizaron encoders como MobileNetV3 y EfficientNetV2 para extraer características complejas.
Los resultados destacan la importancia de las bandas NIR y SWIR, que permiten identificar áreas con estrés hídrico o cambios en la vegetación, factores que influyen en la propagación de incendios. La combinación de teledetección satelital y Deep Learning proporciona un marco sólido para la detección temprana de incendios, mejorando las capacidades de respuesta y mitigación.
Este trabajo también identifica algunas limitaciones, como el alto coste computacional en el procesamiento de grandes volúmenes de datos y la necesidad de optimizar los modelos.
Para futuras investigaciones, se sugiere la inclusión de datos meteorológicos para mejorar la precisión y el rendimiento predictivo.
This Master’s Thesis presents the development of a predictive model for wildfire detection using deep learning techniques applied to multispectral images from the Sentinel-2 satellite and active fire data from the Fire Information for Resource Management System (FIRMS). Wildfires pose a growing threat to ecosystems and populated areas. This project aims to facilitate early intervention and improve wildfire management by integrating satellite imagery with advanced analysis techniques. The process includes the preprocessing of multispectral images and the generation of reference labels using the Pierre Markuse index, specialized in identifying burned areas. Semantic segmentation models, such as U-Net and SegNet, were implemented and trained to detect fire-affected regions. These models captured key image features, improving segmentation accuracy. Encoders like MobileNetV3 and EfficientNetV2 were used to extract complex information from the multispectral data. The results highlight the importance of bands such as Near Infrared (NIR) and Short-Wave Infrared (SWIR), which help identify areas with water stress or vegetation changes—key factors in wildfire propagation. The combination of satellite remote sensing and deep learning provides a solid framework for early fire detection, enhancing response and mitigation efforts. This work also identifies certain limitations, including the high computational cost of processing large multispectral datasets and the need to optimize models. Future research should explore incorporating meteorological data to improve model accuracy and predictive capabilities.
This Master’s Thesis presents the development of a predictive model for wildfire detection using deep learning techniques applied to multispectral images from the Sentinel-2 satellite and active fire data from the Fire Information for Resource Management System (FIRMS). Wildfires pose a growing threat to ecosystems and populated areas. This project aims to facilitate early intervention and improve wildfire management by integrating satellite imagery with advanced analysis techniques. The process includes the preprocessing of multispectral images and the generation of reference labels using the Pierre Markuse index, specialized in identifying burned areas. Semantic segmentation models, such as U-Net and SegNet, were implemented and trained to detect fire-affected regions. These models captured key image features, improving segmentation accuracy. Encoders like MobileNetV3 and EfficientNetV2 were used to extract complex information from the multispectral data. The results highlight the importance of bands such as Near Infrared (NIR) and Short-Wave Infrared (SWIR), which help identify areas with water stress or vegetation changes—key factors in wildfire propagation. The combination of satellite remote sensing and deep learning provides a solid framework for early fire detection, enhancing response and mitigation efforts. This work also identifies certain limitations, including the high computational cost of processing large multispectral datasets and the need to optimize models. Future research should explore incorporating meteorological data to improve model accuracy and predictive capabilities.
Descripción
Categorías UNESCO
Palabras clave
incendios forestales, aprendizaje profundo, Deep Learning, teledetección, Sentinel-2, FIRMS, segmentación semántica, Copernicus, redes neuronales, Wildfires, remote sensing, semantic segmentation
Citación
García Flores, María Beatriz (2024) Desarrollo de una librería para la obtención masiva de imágenes Sentinel y su aplicación en la detección de incendios con Deep Learning. Trabajo Fin de Máster. Universidad de Educación a Distancia (UNED)
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Sistemas de Comunicación y Control