Ojos en la Selva: Detectando Cambios

La Amazonía enfrenta un grave problema de deforestación, que aumenta cada año.

Para abordar esta situación, se propone el uso de imágenes satelitales bitemporales de la Amazonía ecuatoriana, mejorando su calidad mediante técnicas de aumento de resolución. A continuación, se desarrollará una máscara binaria utilizando el Índice de Vegetación de Diferencia Normalizada (NDVI) para identificar las áreas afectadas. Finalmente, se implementarán técnicas de inteligencia artificial para detectar y analizar los cambios en la cobertura forestal.

Esta solución permitirá un monitoreo constante y facilitará la toma de decisiones informadas para proteger las zonas más vulnerables a la deforestación.

La propuesta utilizará principalmente las imágenes satelitales de la Amazonía proporcionadas por el satélite Sentinel-2, que ofrece datos de alta resolución óptica, esenciales para la detección de cambios en la vegetación. Se empleará el lenguaje de programación Python, junto con librerías especializadas como Rasterio, para procesar y analizar estas imágenes. Además, implementaremos un modelo de inteligencia artificial, que será reentrenado con datos específicos de la Amazonía, para automatizar la detección de cambios en el ecosistema, facilitando así un monitoreo más eficiente y preciso.

Se escogió el desafío 3: Preservar la biodiversidad y los hábitats en peligro. Para esto se utilizará un modelo de aprendizaje profundo para detectar cambios en la vegetación logrando así encontrar zonas de deforestación. El estudio se enfocará en la amazonía ecuatoriana debido a que es esta es una zona de gran interés tanto nacional como internacional debido esto porque es un lugar que es el hábitat de muchas especies tanto animales como vegetales. Para la metodología a usar se considerará MLOps (Machine Learning Operations) ya que esto ayuda a organizar el proceso para la detección de cambios. La metodología es la siguiente:

Obtención de la Data: Descarga de los datos satelitales (bandas) de la página de copernicus.

Mejora en la calidad: Aumentar la definición (calidad) de las imágenes satelitales por medio de técnicas de aumento de píxeles.

Generación de un dataset: Uso de imágenes bitemporales (misma zona pero diferente fecha) para detectar los cambios mediante el NDVI y así formar ejemplos de entrenamiento para el modelo de aprendizaje profundo.

Entrenamiento de modelo: Usar un modelo pre-entrenado y re-entrenarlo con los nuevos datos del dataset para poder detectar los cambios existentes en imágenes bitemporales.