Publicación: Detección de anomalías visuales en terrenos propensos a deslizamientos mediante análisis multitemporal de imágenes de punto fijo
Fecha
2026
Autores
Sánchez Martínez, Fabián David
dc.contributor.advisor
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Descripción
Los movimientos de masa representan un alto riesgo en áreas propensas a deslizamientos y otros fenómenos geotécnicos, afectando tanto la infraestructura (por ejemplo, viviendas, redes viales y construc-ciones) como la seguridad humana. Sin embargo, los sistemas tradicionales de monitoreo basados únicamente en sensores presentan limitaciones para detectar cambios visuales tempranos en el terreno que podrían prece-der a estos eventos. Además, existen desafíos específicos que este proyecto busca abordar, como la falta de datos etiquetados, el fuerte desbalance de clases entre imágenes normales y anómalas, la variabilidad ambien-tal (debida a condiciones de iluminación, sombra o lluvia) y la desalineación entre las imágenes, causada por ligeros desplazamientos en las cámaras. Estas condiciones dificultan la construcción de modelos supervisados convencionales debido al tiempo, costo y esfuerzo que implica el etiquetar datos. Por este motivo este estudio se orienta hacia el uso de técnicas no supervisadas para la detección de anomalías visuales.
Este estudio se enfoca en analizar imágenes provistas por el Sistema de Alerta Temprana del Valle de Aburrá (SIATA) de diferentes estaciones, con el fin de identificar anomalías o cambios en el suelo y el terreno en general, a fin de que un experto pueda validar si estas constituyen un peligro. A través del análisis de imágenes multitemporales y la aplicación de técnicas de visión por computador, se procesan secuencias de imágenes que permiten detectar cambios inusuales en la textura, el color, la vegetación e incluso la morfología del terreno. Estos cambios se cuantifican mediante métodos estadísticos y modelos de detección de anomalías, lo que permite priorizar las regiones que requieren la verificación de un experto.
Los resultados preliminares muestran que los modelos de visión artificial alcanzaron desempeños consistentes en la detección de anomalías. Entre ellos, DINOv2-ViT-L/14 que obtuvo los mejores valores, con una Preci-sion del 0.51, Recall del 0.47, F1-Score de 0.49 y un Acurracy de 0.82. Estos resultados sugieren que es posible identificar indicios de cambios inminentes en el suelo y generar alertas basadas en cambios específicos observados en las imágenes. Estas conclusiones proporcionan un enfoque innovador y a su vez complemen-tario a los sistemas de monitoreo tradicionales, fortaleciendo la gestión de riesgo y prevención de desastres en zonas previamente marcadas como propensas a deslizamientos.
Palabras clave
Citación
dc.relation.uri
dc.identifier.doi
dc.rights
Todos los derechos reservados