Palma Lizana, José LuisCortés González, Alberto Felipe2025-04-172025-04-172025https://repositorio.udec.cl/handle/11594/12517Tesis presentada para optar al título de GeólogoEl presente trabajo tiene como objetivo desarrollar un modelo de clasificación para la detección de remociones en masa mediante imágenes satelitales. El área de estudio se centra en eventos de remoción en masa en el sur de Chile, utilizando imágenes de Landsat 8 para eventos anteriores a 2019 y Sentinel-2 para los posteriores a esa fecha, debido a la cobertura temporal limitada de estos satélites. El análisis se enfoca en la comparación de índices de vegetación pre y post evento, como NDVI, NBR y SAVI. El conjunto de datos utilizado incluye 33 eventos mapeados a través de fotointerpretación en plataformas como Google Earth y Google Earth Engine, y validados con informes técnicos de SERNAGEOMIN. Se emplearon bandas espectrales RGB y diferencias de índices entre imágenes pre y post evento para generar características que permiten distinguir entre remociones y no remociones. Se aplicaron diferentes técnicas de clasificación, comenzando con un umbral de diferencia en el índice NDVI para detectar remociones en masa. Luego, se empleó clustering no supervisado con KMeans para explorar patrones de clasificación sin la necesidad de etiquetas. Finalmente, se implementó un modelo supervisado con KNN, que demostró ser el más preciso al trabajar con las etiquetas y aprendizaje supervisado. Los resultados obtenidos facilitan la identificación de eventos de remoción en masa, mejorando el monitoreo y ayudando en la toma de decisiones sobre gestión de riesgos, especialmente en áreas de difícil acceso, donde el monitoreo terrestre es limitado. Las métricas del modelo KNN, evaluadas antes y después del postprocesamiento, mostraron mejoras significativas. Después del ajuste, el modelo alcanzó un F1-Score de 0.86 para las remociones, con una precisión de 0.88 y un recall de 0.83, y mostró una precisión de 0.88, con un accuracy de 0.98. El postprocesamiento, basado en la eliminación de áreas pequeñas en las predicciones de remociones mediante componentes conectados, contribuyó a una mayor precisión y redujo el ruido en las predicciones. Con estos resultados, se confirma que el modelo KNN, combinado con las imágenes de Sentinel-2 y Landsat 8, junto con las técnicas de Machine Learning, entregan un método sólido para la identificación y clasificación de remociones en masa, ofreciendo herramientas útiles para la gestión de riesgos y la planificación de medidas preventivas en zonas vulnerables.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalGeomorfologíaDesgaste de masasImágenes de percepción remotaThesis