Detección de fugas de agua a través de imágenes satelitales y aprendizaje profundo

Abstract

Alrededor del 40% del agua extraída se pierde a través de fugas de agua. Los métodos para detectar estas fugas son costosos y poco eficaces debido a que dependen de trabajo de campo, el cual es lento y no logra abarcar de manera oportuna la red de tuberías. Las imágenes satelitales representan una alternativa para la detección de fugas de agua dado que son producidas periódicamente y son capaces de captar información del espectro electromagnético con la cual es posible medir ciertas condiciones del suelo como su nivel de humedad o temperatura. En esta investigación, se utilizaron las coordenadas de las fugas detectadas y reparadas durante el periodo 2020-2022 en la ciudad de Aguascalientes, México. Por cada coordenada se descargaron 2 imágenes del satélite Sentinel-2 (S2): 1) imagen de fuga (antes de la reparación) y 2) imagen de no fuga (después de la reparación), además se añadió la temperatura del suelo (LST) como banda espectral para cada imagen de S2 mediante una estimación de LST utilizando imágenes del satélite Landsat 8. En total, 1970 imágenes fueron descargadas. Por último, se entrenaron dos modelos de Redes Neuronales Convolucionales, uno que incluye todas las bandas espectrales de S2 + LST y otro modelo que solo incluyera las bandas de S2. Los resultados obtenidos fueron de 81% de accuracy para el modelo que incluye bandas S2 + LST y 74% para el modelo que solo incluye las bandas S2. Estos resultados indican que sí es posible realizar la detección de fugas de agua por medio de imágenes satelitales y aprendizaje profundo.