Diseño de un algoritmo de análisis de imagen para el estudio de la erosión en zonas afectadas por precipitaciones extremas

Abstract

En este Trabajo de Fin de Grado se pretende desarrollar un algoritmo que obtenga de forma simultánea diferentes índices de imagen con los que tratar zonas afectadas por lluvias extremas. El algoritmo se ha desarrollado en Python para aplicarlo en un Sistema de Información Geográfica, ArcGIS PRO. Mediante el mismo se han obtenido 8 índices de imagen con los que se han analizado situaciones anteriores y posteriores a un evento de lluvias extremas. El evento de precipitaciones extremas analizado ocurrió el 29 de abril de 2024 en Rio Grande del Sur, Brasil. La metodología empleada ha permitido calcular distintos índices de imagen así como aplicar diferentes análisis estadísticos para conocer el grado de dependencia entre los índices y el fenómeno natural. Los resultados muestran que hay una serie de índices de imagen y variables como la geología, la vegetación, la altimetría, la orientación o la inclinación que están bastante bien relacionadas con los deslizamientos de tierra. Los índices más significativos son NDMI, NDVI, MSAVI, GNDVI y NDSI. Los análisis previos y posteriores a las lluvias muestran resultados coherentes con la aparición de deslizamientos. Además, desde un punto de vista de análisis de imagen es mucho más significativa la diferencia entre los índices (pre-post) para la identificación de deslizamientos que los análisis individuales.

In this Bachelor’s Final Project, the aim is to develop an algorithm capable of simultaneously obtaining different image indices to analyze areas affected by extreme rainfall. The algorithm has been developed in Python for application in a Geographic Information System, ArcGIS PRO. Using this method, eight image indices have been obtained to analyze pre- and post-event situations related to extreme rainfall. The analyzed extreme precipitation event occurred on April 29, 2024, in Rio Grande do Sul, Brazil. The methodology employed has allowed for the calculation of various image indices as well as the application of different statistical analyses to determine the degree of dependence between the indices and the natural phenomenon. The results show that several image indices and variables such as geology, vegetation, elevation, orientation, and slope are strongly related to landslides. The most significant indices are NDMI, NDVI, MSAVI, GNDVI, and NDSI. Pre- and post-rainfall analyses provide results consistent with the occurrence of landslides. Moreover, from an image analysis perspective, the difference between indices (pre-post) is much more significant for landslide identification than individual analyses.