Publicación:
Desarrollo de una librería para la obtención masiva de imágenes Sentinel y su aplicación en la detección de incendios con Deep Learning

Vista sencilla de ítem
dc.contributor.authorGarcía Flores, María Beatriz
dc.contributor.directorPastor Vargas, Rafael
dc.contributor.directorHaut Hurtado, Juan Mario
dc.date.accessioned2024-10-28T07:20:15Z
dc.date.available2024-10-28T07:20:15Z
dc.date.issued2024-09
dc.description.abstractEste 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.es
dc.description.abstractThis 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.en
dc.identifier.citationGarcía 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)
dc.identifier.urihttps://hdl.handle.net/20.500.14468/24131
dc.language.isoes
dc.publisherUniversidad de Educación a Distancia (UNED)
dc.relation.centerFacultades y escuelas::E.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Ingeniería y Ciencia de Datos
dc.relation.departmentSistemas de Comunicación y Control
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject12 Matemáticas::1203 Ciencia de los ordenadores ::1203.17 Informática
dc.subject.keywordsincendios forestaleses
dc.subject.keywordsaprendizaje profundoes
dc.subject.keywordsDeep Learningen
dc.subject.keywordsteledetecciónes
dc.subject.keywordsSentinel-2es
dc.subject.keywordsFIRMSes
dc.subject.keywordssegmentación semánticaes
dc.subject.keywordsCopernicusen
dc.subject.keywordsredes neuronaleses
dc.subject.keywordsWildfiresen
dc.subject.keywordsremote sensingen
dc.subject.keywordssemantic segmentationen
dc.titleDesarrollo de una librería para la obtención masiva de imágenes Sentinel y su aplicación en la detección de incendios con Deep Learningen
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
GarciaFlores_MariaBeatriz_TFM.pdf
Tamaño:
11.68 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Trabajos de fin de máster (TFM)