Corrección de modelos digitales de elevación radar con imágenes Landsat mediante aprendizaje automático

Abstract

Los Modelos Digitales de Elevación (DEMs) son representaciones digitales de la superficie terrestre. Entre los más difundidos se encuentran los de origen radar como los SRTM. Estos modelos no solo representan la elevación natural del terreno sino también todo lo que esté sobre este, como árboles o edificios. Para ciertas aplicaciones como la simulación de inundaciones algunas elevaciones representan un inconveniente, más aún si se trata de zonas con pocas pendientes como la llanura pampeana. Particularmente en zonas de llanura, los árboles generan grandes diferencias entre la altura representada en el DEM y la superficie real de escurrimiento. En el presente trabajo se propone una metodología para la detección automática de la vegetación arbórea en DEMs de origen radar a partir de este mismo y de imágenes multiespec- trales Landsat de la misma zona, con el fin de corregir estas diferencias y mejorar su eficiencia en el modelado de inundaciones. Para obtener la máscara de vegetación, se generaron diferentes clasificadores supervisados a partir del método Random Forest. Los clasificadores fueron evaluados obteniendo resultados de hasta un El Score de 0,8. A partir de las máscaras obtenidas los DEMs se corrigieron utilizando un método de interpolación.