Zonificación automática basada en imágenes de súper resolución

En este trabajo se desarrolla una metodología de mejoramiento de imágenes y zonificación de áreas geográficas. En la primera parte, se utiliza un banco de imágenes tomadas por un dron de un determinado terreno o zona geográfica. A continuación, se implementan varias técnicas de súper resolución que permiten observar a detalle zonas específicas que antes no se podían detectar. Posterior a ello, se definen métricas de calidad que evalúan de forma cuantitativa el rendimiento de los algoritmos de súper resolución. Luego, se utiliza una estrategia de deep learning para identificar secciones específicas de zonas geográficas tales como zonas verdes, carreteras, zonas urbanas y cuerpos de agua de forma semántica. Todo esto con el fin de aprovechar al máximo una zona de cultivo, realizar planificación estratégica de pueblos o ciudades, observar daños en zonas protegidas, invasiones, conteo forestal, entre otros. Finalmente, se realiza un análisis cualitativo de los algoritmos planteados a partir de las métricas propuestas, concluyendo así que la mejor combinación de métodos es la interpolación lineal modificada para súper resolución, con una nitidez de 28.11, es decir, el doble que los demás métodos; y la red PIX2PIX para propósitos de segmentación de las categorías antes mencionadas en imágenes geográficas con un error de 26.31%, muy bueno en términos de segmentación