La producción agrícola-ganadera es la actividad económica de mayor relevancia en la Provincia del Chaco, Argentina. Debido a factores ambientales como las elevadas precipitaciones de la región, tanto su población rural como su producción agropecuaria se ven afectadas de manera directa por las inundaciones. Este trabajo consiste en el desarrollo de modelos de inteligencia artificial (IA) con el propósito de mejorar la identificación de las zonas anegables de la provincia, tomando como sitio de estudio el Departamento de Bermejo. Si bien existen mapas globales para identificar agua en superficie, estos no garantizan su utilidad a escala regional. Por ello, desarrollar herramientas de identificación del agua superficial a escala regional es relevante para el monitoreo de inundaciones y la planificación de estrategias de mitigación y adaptación.

Para esto se diseñaron herramientas de identificación remota mediante el empleo de imágenes satelitales ópticas. Se implementaron tres modelos de segmentación de imágenes: Support Vector Machine (SVM) y Random Forest (RF), y un modelo basado en técnicas de aprendizaje profundo (Deep Learning) y en la arquitectura U-Net. RF y SVM son modelos de aprendizaje automático tradicionales que clasifican cada píxel basándose únicamente en la información del mismo; operan de forma aislada, ignorando por completo el contexto espacial de los píxeles vecinos. Bajo la hipótesis de que la vecindad espacial es relevante para este estudio, se podría implementar una característica extra a estos modelos que contengan la información espacial, en cambio se diseñó un modelo de deep learning, diseñado para optimizar la detección de agua empleando Redes Neuronales Convolucionales (CNNs) las cuales consideran implícitamente la vecindad espacial de los píxeles.
Se utilizaron imágenes satelitales Landsat para entrenar y evaluar el rendimiento de los modelos.
Los resultados en la segmentación y detección de agua en superficie del modelo basado en una arquitectura U-Net alcanzó un DICE promedio de 0.75, superior a RF (0.67) y SVM (0.60), para comparaciones homogéneas todas las métricas reportadas se corresponden al coeficiente DICE. De esta manera el modelo que usa la información de la vecindad mejora el índice DICE en un 13%, respecto a los modelos de píxel individual.
Estos resultados validan que técnicas de aprendizaje profundo que consideran la vecindad de píxeles potencian la identificación de agua en superficie.