Modelos de IA para la detección y cuantificación de lodos post-DANA en Valencia mediante imágenes de dron y satélite

Resumen

El 29 de octubre de 2024, un episodio de DANA (Depresión Aislada en Niveles Altos) provocó las inundaciones más catastróficas registradas en la historia reciente de España en la provincia de Valencia, causando más de 220 víctimas mortales y daños que superan los 13.000 millones de euros. Las aguas cargadas de sedimentos depositaron gruesas capas de lodo sobre extensas áreas urbanas y agrícolas, generando una urgente necesidad de cartografía rápida y precisa de las zonas afectadas. En este trabajo presentamos una metodología basada en modelos de inteligencia artificial (IA) para la detección y cuantificación de lodos, integrando datos multiespectrales de drones (sensor MicaSense RedEdge-MX de 10 canales) con imágenes del satélite Sentinel-2 MSI. Se implementa un flujo de trabajo basado en el algoritmo XGBoost en dos etapas: primero, una clasificación supervisada de alta resolución sobre ortomosaicos de dron para discriminar las clases lodo-tierra, urbano, vegetación y agua; y segundo, un modelo de escalado (upscaling) que transfiere estas clasificaciones centimétricas a la resolución de Sentinel-2 (10 m/px), utilizando bandas espectrales e índices normalizados como variables predictoras y coberturas fraccionarias como variable objetivo. Se incorpora además el índice FMI (Flood Mud Index), diseñado específicamente para la detección de lodos con alta carga de sedimentos, junto con una corrección del modelo mediante la base de datos de Microsoft Building Footprint. Los resultados preliminares muestran estadísticos robustos de clasificación tanto a escala local (dron) como regional (satélite), demostrando el potencial de esta aproximación para la gestión de emergencias ambientales.