Plataforma de IA UNAM-HUAWEI para el mapeo de inundaciones mediante imágenes satelitales

Autores/as

  • Fernando Pech May Tecnológico Nacional de México, Campus de los Ríos. Balancán, Tabasco, México. https://orcid.org/0000-0002-8493-4534
  • Jorge Magaña Govea Tecnológico Nacional de México, Campus de los Ríos, División Académica de Ingeniería en Sistemas Computacionales. Balancán, Tabasco, México. https://orcid.org/0009-0006-5522-1216
  • Luis Antonio López Gómez Tecnológico Nacional de México, Campus de los Ríos. Balancán, Tabasco, México.
  • Germán Ríos Toledo Tecnológico Nacional de México, Campus Tuxtla Gutiérrez, Departamento de Sistemas y Computación. Tuxtla Gutiérrez, Chiapas, México.

DOI:

https://doi.org/10.22201/dgtic.26832968e.2023.8.5

Palabras clave:

Inteligencia Artificial, Aprendizaje profundo, Algoritmos de aprendizaje, Plataforma Huawei, UNAM-Huawei

Resumen

El presente artículo aborda las vivencias del proyecto “Mapeo de inundaciones del sureste mexicano mediante imágenes satelitales Sentinel y aprendizaje Profundo” presentado en la convocatoria alianza UNAM-HUAWEI. En este se propuso desarrollar una estrategia para la detección y mapeo de inundaciones y zonas de riesgo, en la zona de los Ríos del estado de Tabasco, con el uso de imágenes satelitales Sentinel 1, Sentinel 2 y Aprendizaje profundo. El proyecto es realizado con la participación de profesores investigadores y alumnos, en su desarrollo se crearon muestras de entrenamiento, ejecutaron algoritmos de aprendizaje profundo haciendo uso de equipo de cómputo de alto procesamiento, accedidos a partir del programa UNAM-HUAWEI, herramientas de IA y conocimientos adquiridos como producto de las capacitaciones en la Plataforma HUAWEI y se logró la validación y optimización del modelo para la clasificación de zonas con presencia de inundaciones sobre las imágenes satelitales SAR de entrada.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Fernando Pech May, Tecnológico Nacional de México, Campus de los Ríos. Balancán, Tabasco, México.

Profesor investigador del Tecnológico Nacional de México campus de los Ríos. Doctor en Ciencias de la Computación. Miembro de la Sociedad Mexicana de Inteligencia Artificial, Asociación Mexicana para el Procesamiento de Lenguaje Natural y del Grupo Temático Inteligencia Artificial para el monitoreo y detección de inundaciones (FG-AI4NDM) de la Unión Internacional de Telecomunicaciones (ITU). Miembro del Sistema Nacional de Investigadores (SNII). Tiene experiencia y conocimiento en algoritmos de Inteligencia Artificial (IA) tales como Aprendizaje profundo, extracción de información, web semántica y procesamiento de texto. Ha desarrollado proyectos de investigación para la detección de desastres naturales mediante Imágenes satelitales en IA.

Jorge Magaña Govea, Tecnológico Nacional de México, Campus de los Ríos, División Académica de Ingeniería en Sistemas Computacionales. Balancán, Tabasco, México.

División Académica de Ingeniería en Sistemas Computacionales del Tecnológico Nacional de México campus de los Ríos.
Profesor Investigador Asociado B, adscrito a la División Académica de Ingeniería en Sistemas Computacionales del Instituto Tecnológico Superior de los Ríos. Ingeniero en Sistemas Computacionales por el Instituto Tecnológico de Mérida y Maestro en Administración de Tecnologías de la Información por la Universidad Juárez Autónoma de Tabasco. Miembro del Cuerpo Académico de Cómputo Distribuido y Perfil deseable.
Sus áreas de interés son: la Ingeniería de Software, Bases de Datos y las Tecnologías de la Información.

Luis Antonio López Gómez, Tecnológico Nacional de México, Campus de los Ríos. Balancán, Tabasco, México.

Profesor asociado B de tiempo completo del Instituto Tecnológico Superior de los Ríos. Su labor se centra en las líneas de Inteligencia Artificial y Sistemas Distribuidos. Miembro del cuerpo académico computo distribuido. Acredita numerosas contribuciones a congreso y la participación en el desarrollo de proyectos de investigación de PRODEP y TecNM.

Sus principales áreas de interés son ciencia de datos, Realidad Aumentada, Bases de datos.

Germán Ríos Toledo, Tecnológico Nacional de México, Campus Tuxtla Gutiérrez, Departamento de Sistemas y Computación. Tuxtla Gutiérrez, Chiapas, México.

Profesor de Carrera Titular C del Departamento de Sistemas y Computación del Tecnológico Nacional de México Campus Tuxtla Gutiérrez. Ingeniero en Sistemas Computacionales, Maestro en ciencias de la computación y Doctor en Ciencias de la Computación. Sus principales areas de interés en la computación son el procesamiento del lenguaje natural, en particular el análisis de estilo de escritura y los modelos de lenguaje generativos

Citas

[1] A. Shakya, M. Biswas, and M. Pal, “Fusion and Classification of SAR and Optical Data Using Multi-Image Color Components with Differential Gradients,” Remote Sens., vol. 15, no. 1, p. 274, Jan. 2023. https://doi.org/10.3390/rs15010274

[2] CRED, “2021 Disasters in Numbers,” https://reliefweb.int/report/world/2021-disasters-numbers, Accessed: Nov. 20, 2022. [acceso: 2022-11-20].

[3] Conacyt, “Programas Nacionales Estratégicos,” [Online]. Disponible en: https://conacyt.mx/pronaces/

[4] E. Cuevas & R. Norton, “Inundaciones de 2020 en Tabasco: Aprender del pasado para preparar el futuro,” Technical Report, Centro Nacional de Prevención de Desastres, Ciudad de México, 2022.

[5] G. Konapala, S. Kumar, & A. Khalique, “Exploring Sentinel-1 and Sentinel-2 diversity for flood inundation mapping using deep learning,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 180, pp. 163–173, 2021.

[6] J. Paz, F. Jiménez, & B. Sánchez, “Urge manejo del agua en Tabasco,” Technical Report, Universidad Nacional Autónoma de México y Asociación Mexicana de Ciencias para el Desarrollo Regional A.C., Ciudad de México, 2018.

[7] L. Alzubaidi, J. Zhang, A. Humaidi, & A. Al-Dujaili, “A Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions,” Journal of Big Data, vol. 53, no. 8, 2021.

[8]M. Chini, R. Pelich, L. Pulvirenti, N. Pierdicca, R. Hostache & P. Matgen, “Sentinel-1 insar coherence to detect flood-water in urban areas: Houston and hurricane harvey as a test case”. Remote Sensing, Vol. 11, 2022.

[9]UN General Assembly, “Transforming our world: the 2030 Agenda for Sustainable Development”, 21 October 2015, A/RES/70/1, available at: https://www.refworld.org/docid/57b6e3e44.html [acceso 20 February 2023].

[10] Y. Bengio, A. Courville & P. Vincent, “Representation learning: A review and new perspectives”. IEEE Trans. Pattern Anal. Mach. Intell, vol. 35, no. 8, pp. 1798–1828, 2013.

Descargas

Publicado

24/11/23 (12:00)

Cómo citar

Pech May, F., Magaña Govea, J., López Gómez, L. A., & Ríos Toledo, G. (2023). Plataforma de IA UNAM-HUAWEI para el mapeo de inundaciones mediante imágenes satelitales. TIES, Revista De Tecnología E Innovación En Educación Superior, (8), 30–36. https://doi.org/10.22201/dgtic.26832968e.2023.8.5

Número

Núm. 8 (2023): Número 8. Inteligencia Artificial para la solución de problemas sociales

Sección

Artículos

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

TIES, Revista de Tecnología e Innovación en Educación Superior, es una publicación semestral de acceso abierto bajo la licencia Creative Commons Atribución-No Comercial 4.0 Internacional (CC BY-NC 4.0). 

ISSN 22683-2968 • © 2026 Universidad Nacional Autónoma de México. TIES, Revista de Tecnología e Innovación en Educación Superior es editada por la Universidad Nacional Autónoma de México a través de la Dirección General de Cómputo y de Tecnologías de Información y Comunicación (DGTIC).  Circuito exterior s/n, Ciudad Universitaria, Alcaldía Coyoacán, C.P. 04510, Ciudad de México, México • Reserva de Derechos de Autor otorgado por INDAUTOR: 04-2019-011816190900-203.

El contenido de los artículos es responsabilidad de los autores y no refleja el punto de vista del Comité editorial, del Editor o de la Universidad Nacional Autónoma de México. Hecho en México, 2026.