Análisis de imágenes ante una catástrofe natural a diferentes escalas. El caso de la DANA en Valencia el 29 de octubre de 2024.
DOI:
https://doi.org/10.17398/3101-7177.2.191Palabras clave:
Imágenes satelitales, drones, ArcGIS Pro, Inteligencia artificial, STACResumen
Las inundaciones son uno de los desastres naturales con mayor impacto humano y económico a escala global. En este contexto, la Observación de la Tierra y los Sistemas de Información Geográfica son herramientas clave para la monitorización de eventos extremos, evaluación de impactos y apoyo a la gestión de emergencias. En este trabajo se presenta un enfoque multiescalar para el análisis de inundaciones, aplicado al episodio de Depresión Aislada en Niveles Altos ocurrido en la provincia de Valencia (España) en octubre de 2024. En este estudio se combinan imágenes satelitales Sentinel-2 Level-2A de resolución media con imágenes de vehículos aéreos no tripulados (UAVs) de muy alta resolución (3.9cm), tomando como referencia la delimitación oficial de áreas inundadas proporcionada por el Copernicus Emergency Management Service. A escala global, se accedió a imágenes de Sentinel-2A mediante el estándar abierto STAC a través del software ArcGIS Pro y fueron analizadas mediante el índice multiespectral MNDWI. A escala local, se emplearon técnicas de inteligencia artificial sobre imágenes de drones para la detección de obstáculos en la vía pública, utilizando el modelo pre-entrenado TextSAM y un modelo refinado basado en SAMLoRA. Los resultados evidencian que la integración de datos multiescalares, estándares abiertos e inteligencia artificial reducen significativamente los tiempos de obtención de datos para la evaluación de daños y el soporte en la toma de decisiones ante situaciones de emergencia.
Descargas
Referencias
Copernicus Emergency Management Service (CEMS) (2026) EMSR773 - Copernicus EMS Mapping | Copernicus EMS On Demand Mapping
Jongman B. (2021). The fraction of the global population at risk of floods is growing. Nature, 596(7870), 37–38. https://doi.org/10.1038/d41586-021-01974-0
Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., Xiao, T., Whitehead, S., Berg, A. C., Lo, W.-Y., Dollár, P., & Girshick, R. (2023). Segment Anything. arXiv. https://arxiv.org/abs/2304.02643
Liu, S., Zeng, Y., Zhang, B., Wan, P., Wang, X., Zhang, W., Li, C., & Liu, Z. (2023). Grounding DINO: Marrying DINO with grounded pre-training for open-set object detection. arXiv. https://arxiv.org/abs/2303.05499
Rolla, J., Khuller, A., An, K., Emberson, R., Fielding, E., Schultz, L., & Miner, K. (2025). Satellite-aided disaster response. AGU Advances. https://doi.org/10.1029/2024AV001395
Román, A., Tovar Sánchez, A., Larrad, M., Rubiano Sánchez, F. J., Zafra, J. M., Piñeiro, R., Castillo, Á., López, F. A., Vela, A. L., Allende, A., Sánchez, G., Martínez Alonso, A., Samper, D., García Davalillo, J. C., Galindo, I., & Navarro, G. (2025). UAV imagery in natural disasters: Real time damage assessment of flash flooding events. Ecological Informatics, 91, 103433. https://doi.org/10.1016/j.ecoinf.2025.103433
Varela, S., Zheng, X., Njuguna, J., Sacks, E., Allen, D., Ruhter, J., & Leakey, A. D. B. (2025). Breaking the barrier of human-annotated training data for machine learning-aided plant research using aerial imagery. Plant Physiology, 197(4), kiaf132. https://doi.org/10.1093/plphys/kiaf132
Wei, X., Yan, S., Wang, X., Guizani, M., & Du, X. (2021). STAC: A spatio-temporal approximate method in data collection applications. Pervasive and Mobile Computing, 73, 101371. https://doi.org/10.1016/j.pmcj.2021.101371
World Meteorological Organization. (2026). Floods. https://wmo.int/topics/floods
Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025–3033. https://doi.org/10.1080/01431160600589179
Zhang, R., Han, S., Xu, H., & Zhang, J. (2023). Text-SAM: Towards open-vocabulary segmentation with text prompts. arXiv. https://arxiv.org/abs/2304.18279
Zhang, K., & Liu, D. (2023). Customized Segment Anything Model for Medical Image Segmentation. arXiv. https://arxiv.org/abs/2304.13785
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Libertad Chapinal Cervantes, Celia Gil Martín, Catalina Escudero Muñoz, Elena Mazón Ibáñez (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
