blasquita/incendios-sentinel2-resnet18-test
Clasificación de patrones espectrales pre-evento con Sentinel-2 y ResNet18
Este Space presenta una demo académica del proyecto de clasificación de patrones espectrales pre-evento asociados a incendios forestales en Chile centro-sur.
El prototipo utiliza imágenes Sentinel-2 en formato multicanal y una arquitectura ResNet18 adaptada para trabajar con 8 canales espectrales e índices.
Objetivo del prototipo
El objetivo de esta demo es visualizar cómo un modelo de aprendizaje profundo clasifica parches Sentinel-2 antes de la ocurrencia de incendios, comparando zonas positivas y negativas del conjunto de test.
La pregunta de investigación del proyecto es:
¿Existen patrones espectrales y geoespaciales previos al evento, asociados a vegetación, humedad y características geoespaciales del área de estudio, que diferencien zonas donde ocurrieron incendios forestales de zonas donde no ocurrieron incendios cercanos?
Datos utilizados
Cada parche corresponde a una imagen Sentinel-2 de tamaño 64 × 64 píxeles con 8 canales:
- B2 - Azul
- B3 - Verde
- B4 - Rojo
- B8 - Infrarrojo cercano
- B11 - SWIR 1
- B12 - SWIR 2
- NDMI - Índice de humedad
- NBR - Índice asociado a severidad/condición de vegetación
La demo trabaja con ejemplos precargados del conjunto de test. La persona usuaria no debe subir imágenes, sino seleccionar parches ya preparados.
Modelo utilizado
El modelo utilizado corresponde a una ResNet18 multicanal adaptada para recibir 8 canales de entrada.
Configuración general:
- Arquitectura: ResNet18
- Entrada: GeoTIFF de 8 canales
- Tamaño de parche: 64 × 64 píxeles
- Clases:
- 0: Negativo
- 1: Positivo
- Umbral de clasificación usado en la demo: 0.50
Métricas oficiales en test
El checkpoint utilizado corresponde al modelo verificado con el conjunto de test independiente.
Métricas con umbral 0.50:
Matriz de confusión con umbral 0.50:
Cómo funciona la demo
La interfaz permite seleccionar distintos parches de ejemplo, tales como:
- Verdadero positivo
- Verdadero negativo
- Falso positivo
- Falso negativo
- Casos cercanos al umbral
Para cada parche, la app muestra:
- Visualización RGB Sentinel-2
- Mapa NDMI
- Mapa NBR
- Probabilidad de clase positiva
- Predicción del modelo
- Etiqueta real del conjunto de test
- Interpretación del resultado
Archivos principales del Space
app.py: código principal de la aplicación Gradio.requirements.txt: librerías necesarias para ejecutar la demo.best_resnet18_8CH_COMPLETO_AUC0866.pt: checkpoint del modelo entrenado.config_model8ch_inferencia.json: configuración de bandas, normalización y métricas.ejemplos_demo.csv: lista de parches disponibles en la demo.ejemplos/: carpeta con los GeoTIFF de ejemplo.
Advertencia metodológica
Este prototipo no corresponde a un sistema operacional de predicción de incendios forestales.
La demo muestra una clasificación exploratoria de patrones espectrales pre-evento en parches Sentinel-2 construidos para el proyecto. Los resultados deben interpretarse dentro del contexto del dataset, la metodología de muestreo y las condiciones experimentales utilizadas.
Créditos
Proyecto desarrollado en el contexto de un semillero de investigación orientado al análisis de patrones espectrales previos a incendios forestales mediante teledetección y aprendizaje profundo.