1

Detección de áreas forestadas de frailejones en el Páramo de Santurbán con

imágenes satelitales basado en el método Deep Learning

Presentado por:

Gerson Yesid Hernández Mutis

Erick Yomar Capacho Balaguera

 Detección en áreas forestadas de frailejones en el Páramo de Santurbán con imágenes

satelitales basado en el método Deep Learning

Gerson Yesid Hernández Mutis – Erick Yomar Capacho Balaguera

Proyecto de grado 1 presentado como requisito para optar al título de Ingeniero Electrónico

Director(a):

Mag: Oscar Fernando Becerra Angarita

(Docente e Investigador Grupo Robótica, Control y Procesamiento de Señales (GPS)).

Universidad de Investigación y Desarrollo - UDI

Facultad de Ingeniería Electrónica Bucaramanga

2023
 Universitaria de Investigación y Desarrollo “UDI”

Ciudad: Bucaramanga

Facultad: Ingenierías.

Programa: Ingeniería electrónica.

Ciclo: Profesional

Anteproyecto de trabajo de grado

Título: Detección de áreas deforestadas en el Páramo de Santurbán con imágenes satelitales

basado en el método Deep Learning.

AUTORES CODIGO

HERNANDEZ MUTIS GERSON YESID 1098820731

CAPACHO BALAGUERA ERICK YOMAR 1005371168

DIRECTOR

Oscar Fernando Becerra Angarita

Vo. Bo…………………………………

Firma (del director)

Fecha de entrega: ………27/05/2023………………………………………

(La fecha la colocará el comité de grado)

 Universitaria de investigación y desarrollo “UDI”

Programa de ingeniería electrónica.

Ficha técnica para anteproyecto de grado

FECHA Día 27 Mes_05 Año_2023

CICLO Tecnológico x Universitario
TIPO DE PROYECTO X Trabajo de desarrollo Proyecto especializado de alto
nivel
LINEA DE INVESTIGACIÓN: Telecomunicaciones.

AUTORES CÓDIG TELÉFON

O O
HERNANDEZ MUTIS GERSON YESID 10988207 317402619
31 5
CAPACHO BALAGUERA ERICK 10053711 315809228
YOMAR 68 6

FIRMA

DIRECTOR DEL PROYECTO CODIRECTOR DEL PROYECTO

OSCAR FERNANDO BECERRA ANGARITA

ENTIDADES INTERESADAS

PRESUPUESTO $[Link]

OBSERVACIONES

DIRECTOR DE PROGRAMA
 Tabla de Contenido
1 Introducción.
2 Planteamiento del Problema.
3 Objetivos.
3.1 Objetivo General
3.2 Objetivos Específicos
Recolectar y preparar un conjunto de datos de imágenes satelitales en la zona del Páramo de
Santurbán que contenga una variedad de áreas con frailejones y otras áreas sin vegetación
Evaluar el modelo de Deep learning entrenado utilizando un conjunto de datos de prueba separado
para determinar su precisión y capacidad de detección
4 Justificación
5 Marco de Referencias
5.1 Estado del arte
5.2 Marco Teórico
5.4 Marco Ambiental
 1 Introducción.

“La deforestación es la conversión directa y/o inducida de la cobertura de bosque a otro

tipo en un período de tiempo determinado” (DeFries et al., 2006; GOFC-GOLD, 2008).

“Los bosques cubren casi una tercera parte de la superficie terrestre del planeta, se

encuentran presentes en las cuatro zonas climáticas principales (boreal, templada, subtropical y

tropical). Con una ocupación total de 4 060 millones de hectáreas, es decir, el 31% de la superficie

terrestre. En la edición 2020 se evaluó los recursos forestales mundiales (FRA) de la FAO y se

calculó que 420 millones de hectáreas de bosques entre los años 1990 y 2020 habían sido

deforestados, convertidos a otros usos de la tierra. Haciendo un análisis del periodo del 2015-2020

se estima una cifra de 10 millones de hectáreas anuales deforestadas y las mayores pérdidas se

produjeron en América del Sur y África” (Organización de las Naciones Unidas para la

alimentación y la Agricultura (FAO), 2022).

Las imágenes satelitales tienen diferentes utilidades, una de ellas es el reconocer patrones

de interés en una zona o área geográfica donde están implementadas para observar el estado de

una población, como, por ejemplo, los cultivos, la deforestación, embarcaciones etc. Estas

predicciones son realizadas por un computador que ayudan a automatizar el proceso de

visualización y extracción de las principales características complejas en este tipo de imágenes,

este reconocimiento de patrones es implementado en diferentes técnicas del Deep Learning, los

cuales están entrenados con este tipo de muestras donde el sistema extrae los puntos de interés

necesarios para modelar una solución de respuesta o salida, ante un valor determinado de

[Link], J. (Hello world en tensorflow - para iniciarse en la programación del deep

learning, 2016).

El método de Deep Learning, es el que se viene trabajando en los últimos años por su

utilidad en el campo tecnológico para el desarrollo de nuevos sistemas automatizados. Algunas de

esas aplicaciones se centran en la localización, segmentación, detección, entre otras. Tomando

como punto de referencia el funcionamiento del cerebro humano donde existe todo un sistema de

Red Neuronal que se compone de diversas capas que realizan ese proceso de abstracción de

características a estudiar por parte del sujeto de prueba. (Barber., D. Bayesian reasoning and

machine learning, 2018.)

El propósito del proyecto es localizar la deforestación de frailejones en la zona del Páramo

de Santurbán con la metodología del aprendizaje profundo que permite segmentar las diferentes

zonas del páramo para evaluar en imágenes satelitales con la ayuda de las Redes Neuronales

Convolucionales. Además de construir una base de datos extensa y confiable de imágenes que

sirvan para el entrenamiento en la localización de la problemática del proyecto.

 2 Planteamiento del Problema.

La deforestación es el factor principal en la problemática ambiental colombiana, teniendo

un impacto negativo en el cambio climático. Las pérdidas de 1.100.400 hectáreas de bosque se

han dado entre el año 2016-2021, asimilando a una extensión de Catar o Jamaica. Las acciones

que derivan estas cifras se deben a la apropiación de baldíos, extensiva ganadera, construcciones

de vías irregulares, minería ilegal y siembra de cultivos ilícitos. (Comportamiento de la

deforestación en proyectos REDD+ en Colombia, 2023,

[Link]

[Link]).

Según el reporte realizado por el ministerio de ambiente y desarrollo sostenible,” la

deforestación del primer trimestre del año 2021 llego a 45.500 hectáreas que, al compararse

respecto al mismo periodo de tiempo en el 2022 se obtuvo 50.400 hectáreas, un incremento

considerable. Para el segundo trimestre en periodo de lluvias la deforestación alcanzo una cifra de

1.580 y ascendió a 2.060 en el año [Link] departamentos más afectados son el Meta, Caquetá,

Guaviare, Putumayo, Norte de Santander y Antioquia”. (Ministerio de Ambiente y Desarrollo

sostenible,2022, [Link]

deforestado-mas-de-tres-millones-de-hectareas-de-bosque-en-las-ultimas-dos-decadas/).

En el boletín de octubre del 2022 por parte de Corporación Universitaria Minuto de Dios se reporta

acerca del “Páramo de Santurbán ubicado en los departamentos de Santander y Norte de

Santander que cuenta con una extensión de 150.000 hectáreas entre las que se encuentran 78

lagunas,400 riachuelos y que albergando una alta variedad de vegetación predominada por

frailejones. Está se encuentra afectada por las actividades de minería ilegal, agricultura,
 establecimiento de lotes y construcción de infraestructuras. Lo que ha generado un impacto

negativo por la contaminación de aguas, pérdidas de biodiversidad impidiendo el desarrollo

ambiental sostenible”. (Repositorio institucional UNIMINUTO, s. f.,2022,

[Link]

%2069_Intelligentsia-oct%[Link]).

A partir de la contextualización anterior surge la pregunta ¿Cómo se puede detectar la forestación de

la vegetación en frailejones situada en el Páramo de Santurbán, con base a imágenes satelitales?

 3 Objetivos.

3.1 Objetivo General

Identificar las áreas forestadas por frailejones en el Páramo de Santurbán haciendo uso de imágenes

satelitales y el método de Deep Learning, con el fin de mejorar la capacidad de monitorear y

proteger los bosques de frailejones en la región

3.2 Objetivos Específicos

Recolectar y preparar un conjunto de datos de imágenes satelitales en la zona del Páramo de Santurbán que

contenga una variedad de áreas con frailejones y otras áreas sin vegetación.

Entrenar un modelo de Deep learning utilizando el conjunto de datos recolectados para detectar y clasificar la

vegetación de frailejones.

Evaluar el modelo de Deep learning entrenado utilizando un conjunto de datos de prueba separado para

determinar su precisión y capacidad de detección.

Comprobar la precisión de la identificación de las áreas de vegetación de frailejones en el Páramo de

Santurbán a través de la comparación de los resultados de la identificación obtenidos mediante el modelo de

Deep learning con los datos de campo recopilados.

 4 Justificación

La deforestación es un tipo de problemática que engloba cambios en la naturaleza y usos de

suelos. Lo que provoca graves problemas en el páramo de Santurbán con la degradación

forestal de frailejones, algunos de los riesgos es la pérdida de fuentes hídricas indispensable

para la subsistencia de las personas, degradación del suelo y pérdidas en el ecosistema siendo

fundamental para el alimento de algunas especies de aves como los colibríes. Elemento

importante en el ecosistema del páramo ya que es indispensable no solo para animales sino

también para los seres humanos, por lo que surge gran preocupación de las autoridades por

proteger estas zonas forestadas. Según el Ministerio de Ambiente y Desarrollo Sostenible,

mediante la Resolución 2090 (19 de diciembre de 2014) “Por medio de la cual se delimita el

Páramo Jurisdicciones – Santurbán – Berlín, y se adoptan otras determinaciones”.

Identificaron zonas como Áreas para la restauración del ecosistema de páramo y las Áreas

destinadas para la agricultura sostenible.

Para tener una cuantificación del porcentaje de zonas deforestadas, se hizo uso de imágenes

satelitales para identificar aquellas áreas donde se evidencian cambios por la deforestación, y

así realizar un porcentaje más exacto en zonas como frailejones que han sufrido degradación

forestal por diversas causas ya sea minería ilegal, cultivos invasores, agricultura o incendios

forestales. Haciendo uso de estas imágenes las cuales permiten realizar una base de datos que

sirva de entrenamiento para la construcción del modelo como una herramienta tecnológica que

contribuya a este tipo de problemática, enfocado en el aprendizaje profundo que hace parte de

la inteligencia artificial y dar un valor considerable en tanto a la exactitud de degradación de

este elemento tan esencial en el ecosistema del páramo.

 5 Marco de Referencias

5.1 Estado del arte

En la Universidad Distrital Francisco José de Caldas, los estudiantes Lalita Sakhi Valdés Ávila y Joher

Mauricio Baquero Vanegas desarrollaron la tesis “Deep Learning aplicado a imágenes satelitales

como herramienta para la detección de Viviendas Sin Servicio de energía en el caserío Media Luna-

Uribia-Guajira” el objetivo fue desarrollar una aplicación basada en Deep Learning que detectara,

clasificara y contará viviendas sin servicio de energía por medio de imágenes satelitales. Se realizó

una investigación de las bibliotecas de redes neuronales seleccionando la biblioteca de código abierto

Tensor Flow y Keras. Pensando en el entrenamiento de la red neuronal, se usa un computador

Lenovo con sistema operativo Ubuntu 16.04 que satisface las especificaciones para la instalación de

estas bibliotecas. Construyeron una base de entrenamiento y datos de validación con 1847 imágenes,

correspondiente al 73.9% como ejemplos para que el modelo aprendiera y 26.1% para el uso en el

conjunto de validación, para el preprocesamiento de imágenes se usó la librería

ImageDataGeneration de Keras que es la que define la configuración para la preparación y el

aumento de datos de imagen. Se realizó el entrenamiento de dos modelos, el primer modelo cuenta

con 6 capas y el segundo modelo pre-entrenado de Keras VGG16 que cuenta con 16 capas siendo

una red bastante popular por su gran éxito en la clasificación, detección de objetos en imágenes y

videos. Con los modelos entrenados se cargan con el mapa de Media Luna para el proceso de

predicción. Para la comparación de los resultados del proyecto, se realizó de forma manual haciendo

el conteo directo sobre el mapa dando un total de 42 viviendas sin servicio. El primer modelo obtuvo

un porcentaje de ganancia de validación de 0.979 realizando un conteo de 37 a 41 viviendas a

comparación del segundo que terminó con una predicción de 987 a 1107 Viviendas Sin servicio, un

dato lejano al esperado para la corroboración del modelo. La investigación da como conclusión la

comparación de los diferentes modelos de predicción dando como referencia el análisis en su

eficiencia y la adaptación para mejorar los resultados esperados. (Valdés Ávila & Baquero Vanegas,

2019)
En la Universidad Nacional de Cuyo, el estudiante Scalambrin Luca desarrollo el proyecto integrador de

ingeniería en telecomunicaciones “APRENDIZAJE PROFUNDO EN CLASIFICACIÓN DE

CULTIVOS EN IMÁGENES SATELITALES” el objetivo fue llevar a cabo una clasificación de

cultivos a partir de redes neuronales profundas e imágenes satelitales desarrollando un flujo de

trabajo que contiene las etapas esenciales desde la adquisición de imágenes hasta su clasificación

final, donde involucra una etapa intermedia de segmentación. Para realizar la implementación del

modelo en primera instancia se determinó el satélite a utilizar (Sentinel-2) con una resolución de 10

m(resolución espacial es el tamaño de un pixel, el punto más pequeño visible para el sensor,

[Link] ). Con la librería open-source genera un nexo entre el

campo de observación terrestre (EO) y el lenguaje de programación Python incluyendo elementos

fundamentales: EOPatch, EOT Task y EOWorkflow. EOPatch permite el almacenamiento de los

datos a las capturas de los sensores a partir de la librería NumPy y geometrías de la librería Shapely,

EOT Task son los objetos con referencia a las tareas y procesos que se llevan a cabo en flujos de

trabajo denominado EOWorkflow. Para la arquitectura de la red neuronal se escoge la ResUNet-a

que su uso está denominado para imágenes satelitales de alta resolución que se lleva a cabo mediante

la implementación de la librería EOFlow, la cual utiliza las librerías Keras y Tensorflow. Para el

entrenamiento de la red se hizo un flujo de trabajo donde se procese los tiles seleccionados y a partir

del entorno JupyterLab se utiliza el lenguaje de programación Python, en el entrenamiento se

utilizaron épocas 20 épocas, el mapa de segmentación no superó el 80%.Se concluyó que las

imágenes satelitales no son datos fáciles de manipular debido a que pueden resultar ser muy grandes,

por lo que se recomienda llevar a cabo un procesamiento previo para luego poder aplicar técnicas de

Machine Learning. (APRENDIZAJE PROFUNDO EN LA CLASIFICACIÓN DE CULTIVOS EN

IMAGENES SATELITALES, 2021)

En la universidad Antonio Nariño, los estudiantes Juan Pablo Ramos Patiño y Cristian Fernando Vecino

Salcedo realizaron el proyecto de grado “Detección de individuos y grupos de palmas de cera

(Ceroxylon sp) en imágenes satelitales de alta resolución, mediante herramientas de Aprendizaje

Profundo en AreGIS Pro” El objetivo es generar un modelo para la detección automática de

 individuos y grupos de palmas de cera (Ceroxylon sp) en imágenes satelitales de alta resolución,

usando las herramientas de objetos basadas en Aprendizaje Profundo, disponibles en ArcGIS Pro.

Para la identificación de estos grupos se usaron herramientas de aprendizaje profundo disponibles en

ArcGIS Pro 2.9 y el Deep Learning Framework (Marco de trabajo) para la generación de redes

neuronales convolucionales con arquitectura RetinaNet, la cual fue entrenada, muestreada y

etiquetada de palmas de cera aisladas y de palmares en el sector Valle de Cocora, Quindío. Con la

ayuda del satélite WorldView-2 y 3 en el periodo de tiempo de septiembre del 2018 a febrero del

2020 con una resolución de 0.3 m/pix con la herramienta Label Objects For Deep Learning se

etiquetó y con Train Deep Learning Modelo se entrenó. Finalmente se procede a la detección de

palmas y palmares de cera en toda la zona del Valle de Cocora, con el objetivo de validar los

resultados entregados con diferentes parámetros de detección mediante la herramienta Detect Objects

using Learning (Detección de objetos usando Aprendizaje Profundo).El modelo obtuvo una

confianza media en la detección calculada de 74.1% representando una extensión neta de 35.1 ha lo

que apunta a una densidad aproximada de 70 palmas/ha en los sectores de mayor concentración y 0.7

en la relación de individuos y grupos detectados. (Ramos Patiño & Vecino Salcedo, 2022)

En la Universidad Central del Ecuador, los estudiantes Robert Joel Aldás Núñez, Katherin Vanessa Tuz

Chamorro, Jair Alejandro Vega Ocaña, Marco Sebastián Velasco Haro y Christian Iván Mejía

Escobar desarrollaron la “Delimitación automática de ceniza volcánica en imágenes satelitales

mediante Deep Learning” El objetivo es el diseño e implementación de una solución basada en el

método Deep Learning que tenga la capacidad de segmentar emisiones de ceniza en imágenes

satelitales mediante las redes convolucionales, teniendo la elaboración de un extenso y confiable

dataset de imágenes que sirva como entrenamiento para la predicción. Para realizar el desarrollar de

lo planteado inicialmente se genera el dataset que hace referencia a las imágenes para el

entrenamiento, las cuales fueron obtenidas en la plataforma gratuita CIMSS (Space Science and

Engineering Center of University of Wisconsin-Madison) y descargadas de archivos GIF con filtros

Ash proporcionados por el Satélite GOES. Posteriormente se hace un pre-procesamiento

segmentándolas en dos grupos, el primero son las imágenes de los satélites y el segundo las
 imágenes segmentadas, para el tratamiento se usa un software externo llamado Photosshop CS6 el

cual cuenta con la modificación de varios parámetros como el tono, intensidad, saturación, etc. Se

crean dos carpetas para el almacenamiento de las imágenes de los formatos de color RGB y B&N

que con la ayuda de las librerías NumPy y cv2 de Python se convierten en arrays de datos numéricos.

Luego se realiza la división del dataset especificando dos subconjuntos, el primero de entrenamiento

con el 80% de contenido y el test con el 20%, el test nos permite evaluar el rendimiento del modelo

entrenado. La creación del modelo se define como la adaptación del presentado por Ronneberger

et(revisar) que se usa con fines biomédicos. La arquitectura está basada en una típica red neuronal

convolucional compuesta por un encoder y un decoder. El primero me permite la reducción de la

resolución de la imagen y patrón expansivo simétrico, el segundo para el aumento de su resolución.

Como conclusión del proyecto se determinó que el modelo obtuvo la mejor precisión en la época 10

con un valor del 0.99. Sin embargo, la matriz de confusión determina que el modelo tiene una

precisión del 88% y su sensibilidad 85.7% obteniendo un buen rendimiento en el entrenamiento y

validación de los datos de entrada. (Aldás Núñez et al., 2021)

En el artículo científico desarrollado por el ingeniero electrónico Arnol S Suarez L,Andres F Jimenez L,

Ingeniero Agrónomo Mauricio Castro Franco y la ingeniera Angel Cruz -Roa desarrollaron

la “Clasificación y mapeo automático de cobertura de suelo en imágenes satelitales

utilizando redes neuronales Convolucionales” El objetivo es implementación de un método

de aprendizaje automático centrado en redes neuronales convolucionales con la arquitectura

ConvNet para clasificar automática las coberturas de los suelos a partir de las imágenes

suministradas por el satélite Landsat 5 [Link] primera instancia se diseñó e implementó el

algoritmo para el preprocesamiento de la información espectral que son útiles como conjunto

de en el entrenamiento y validación .Posteriormente se llevó a cabo la extracción de

muestras en el terreno de las clases sobre las imágenes Satelitales que con el algoritmo

desarrollado se procesa el entrenamiento. Como última instancia desarrollaron predicciones

en el mapa de cobertura y se calcula la similitud entre los mapas anotados por parte de los

expertos y los generados por el modelo automáticamente. La conclusión del articulo señala
 que el modelo fue capaz de distinguir tres clases de bosques, áreas seminaturales y una clase

de superficies de agua con un promedio predictivo de exactitud del 83.27% en entrenamiento

y 91.02% de validación.(Suárez, Jiménes, et al., 2017)

En la Universidad Internacional de Valencia en Madrid el estudiante Alejandro Garcia Uceda desarrolla el

proyecto para la titulación de Máster “Detección de nubes en imágenes adquiridas con

satélite mediante Redes Neuronales “El objetivo del proyecto es clasificar las imágenes

satelitales de nubes y zonas despejadas, con base a la construcción de una red neuronal

convolucional. Para el desarrollo del proyecto, inicialmente se hizo la importación de las

imágenes clasificándolas en [Link] realiza la division en subconjunto de

entrenamiento`con un porcentaje del 70% el cual comprende el el subconjunto de train y uno

de validacion,por otro lado test tiene un porcentaje del 30%.Se diseñó una red neuronal

secuencial en donde se le añaden capas con total de 19.166.075 parámetros teniendo

intercalación de las capas de Pooling y convolución. Por último se da paso al entrenamiento

con un total de 22 é[Link] concluye que la red neoranal es muy eficiente cuando se omite

las imágenes donde aparecen nubes sin embargo tiene problemas a la hora de clasificar

elevado número de imágenes.(García, 2019)

En el Instituto Nacional de Investigaciones Espaciales (INPE) y la Pontificia Universidad Católica de Río de

Janeiro en Brasil, los investigadores Mabel ortega,Raul Queiroz,Patrik Nigri,Claudio

Aparacido de Almeida y Alessandra Rodriguez Gomes desarrollaron “Evaluación de

Técnicas de Aprendizaje Profundo para la Detección de Deforestación en los Biomas del

Cerrado y la Amazonía Brasileña a partir de Imágenes de Teledetección”El objetivo del

proyecto es la evaluación de las estrategias basadas en Deep Learning para la detección

automática de deforestación con Early Fusion (EF),Siamese Network (SN) y Convolution

Support Vector Machine (CSVM). EF es considerada una extensión de CNN regular la cual

se compone por una serie de convoluciones y capas de agrupación,la SN se considera una

extensión CNN convencional y la CSVM es un enfoque de Deep Learning basado en

SVM , tiene una composición parecida a la EF tradicional compuestas capas de convolución

y agrupación pero difiere en que no utiliza algoritmos de regresión durante el

 entrenamiento, su fuerte es la clasificación de tareas con pocas muestras de entrenamiento

[Link] el entrenamiento se realiza la construcción del conjunto,el entrenamiento

del banco de filtros SVM en donde se utiliza el aprendizaje supervisado directo convencional

capa por capa, se desarrolla la generación de Mapas de características usando la

combinación de los parches de entrada con los filtros SVM entrenados,seguido a una

convolución y finalmente a la clasificación que identifica la etiqueta de clase ya sea

“deforestación” o “no deforestación”.Se determina las áreas de estudio, la primera zona está

localizada en Estado de Pará,Brasil que comprende el 26% de la amazonia brasileña y la

segunda se encuentra en el Estado de Maranhão, Brasil el cual se encuentra tres diferentes

biomas,Cerrado (64%),Amazonia(35%) y Caatinga (1%).Para el entrenamiento de los

modelo EF y SN se seleccionó la configuración de un lote de 32 y un número de épocas de

100. Después de analizar el comportamiento de los tres métodos en las dos zonas de

estudio se concluye que los métodos EF y SN tuvieron el mejor desempeño en la mayoría

de pruebas realizadas teniendo una precisión general del 95%.(Ortega et al., 2020)

En la Universidad Nacional San Agustin de Arequipa de Perú el estudiante Wilder Nina desarrolla el

proyecto de grado “DETECCIÓN DE EMBARCACIONES UTILIZANDO DEEP

LEARNING E IMÁGENES SATELITALES ÓPTICAS" El objetivo es la detección de

embarcaciones dentro de las 100 millas del borde costero del Perú con tecnicas de Deep

Learning e imágenes [Link] proyecto se desarrolla en tres etapas,la primera es la

recolección y sistematización en donde se usan dos conjuntos de datos HRSC (High

Resolution Ship Collection) y MSDS (Mini Ship Data Set) con 1680 y 200 imágenes

respectivamente, debido a que no se encuentra un conjunto de datos en este campo, se decide

crear la fuente de las imágenes en Google Earth. La segunda parte es el entrenamiento, el

cual los datos se subdividen en 3 partes que se componen por los conjuntos de preparación

del 80% y validación 20% en donde se aplican en las arquitecturas de YOLOT y YOLOv3 la

cual está compuesta por 22 capas y la otra por 28. Por último se genera la evaluación de los

modelos en donde se obtuvo un promedio de precisión en los conjuntos de datos MSDS Y

HRSC, en el primer conjunto el que mejor promedio de precisión fue la estructura YOLT
 con un 76.06% y en el segundo fue YOLOv3 con un 75%.Se concluye que YOLOT funciona

bien con objetos pequeños y YOLOv3 puede ser utilizado para detectar embarcaciones

industriales.(Choquehuayta, 2020)

En el artículo presentado por Ciro Rodriguez Rodriguez, Diana Luque,Carlos La Rosa,Doris Esenarro y

Bishwajeet Pandey se desarrolla “Aprendizaje Profundo Aplicado al Control de Aforo en

Establecimientos Comerciales en Tiempos de COVID-19” El objetivo es la implementación de una

solución inteligente para el control de adoro de establecimientos comerciales en épocas de COVID-

19 utilizando Yolo y un algoritmo de Red Neuronal Convolucional

5.2 Marco Teórico

5.3 Marco Normativo

Ubicado en el límite de Santander y Norte de Santander, el páramo de Santurbán es uno de los

principales y más importantes lugares habitados del Páramo Andino. La zona ofrece un entorno único y

es de importancia mundial debido a la biodiversidad y los valores culturales de la población local. Para

proteger este lugar único, se ha establecido un marco legal para garantizar una adecuada conservación.

El marco legal incluye la publicación de políticas y leyes diseñadas para proteger las localidades.

Estas leyes están diseñadas para controlar el uso de los recursos naturales, tratar de minimizar el

impacto ambiental de las actividades humanas en el área y promover el intercambio de información

entre los funcionarios de conservación de la naturaleza y la población local. También se han creado

mecanismos administrativos para asegurar el cumplimiento de los lineamientos de la ley, por ejemplo,

se ha creado un órgano de control para implementar el entorno normativo y sistemas de información

que promuevan los vínculos entre las entidades relacionadas y la sociedad local.

Además, el marco legal incluye tanto el uso de herramientas de educación ambiental para proteger el
área como diversas iniciativas para conservar dicha zona, tales como protección forestal, monitoreo de

vida silvestre en campo, implementar programas de restauración, desarrollar investigaciones y

programas de protección y control ambiental.

El marco normativo del páramo de Santurbán es un paso importante para garantizar la protección de

esta región única y su biodiversidad. Cuenta con el apoyo de organizaciones internacionales,

organizaciones nacionales, grupos comunitarios y otros actores para garantizar una implementación

adecuada con todas las partes interesadas.

El páramo de Santurbán es un área natural importante para la región colombiana y alberga una

diversidad de vida silvestre y recursos ecológicos. Por lo tanto, el marco normativo relativo a la

protección del Páramo de Santurbán debe ser tratado con especial cautela.

Primero, hay leyes estatales que protegen a Páramo en cierta medida, como la Ley 136 de 1994, la

Ley 884 de 2004. Estas leyes prohíben la deforestación en el área, limitan la caza de especies silvestres

y toman otras medidas de protección de suelos, aguas y montañas. Además, existe una normativa

sobre rescate, salvamento y uso sostenible del páramo en Colombia, aprobada por el Ministerio de

Ambiente y Desarrollo Sostenible de Colombia en 2004. Además de estas normas provinciales, el

Congreso colombiano aprobó la Ley N° 1658 de 2013 que establece la Reserva de páramos de

Santurbán en la zona. Esta ley designa el área como área protegida, establece sus requisitos de manejo

y desarrolla un marco regulatorio para el uso sustentable, exploración y protección de los recursos

naturales. Además, el Decreto N° 3228 de 2017 declaró el área como área protegida de flora y fauna,

protegiendo el área de actividades que pudieran causar

daños.([Link]

Propuesta_resumen_ejecutivo_23102019_HD.pdf):

A su vez, la Constitución Política fortalece el marco de los artículos 8, 58, 79, 80, 333 y 334.

La protección del medio ambiente nacional se establece como un deber del Estado y del pueblo,
“protección de los bienes culturales y naturales del país”, es decir restricciones a la circulación de

algunos derechos, especialmente el carácter económico de la propiedad privada a la cual las funciones

ecológicas son inherentes y la subordinación de los intereses específicos a los intereses generales.

Por su parte, la Ley 99 de 1993 que crea el Sistema Nacional Ambiental y reestructura la

institucionalidad ambiental, dispone que los ecosistemas de páramo, subpáramo, nacimientos de agua y

zonas de recarga de acuíferos son áreas de especial protección ambiental y que el uso del agua para

consumo humano tiene prioridad sobre cualquier otro uso. Así mismo, esta ley dispone que las

autoridades ambientales y los municipios pueden adquirir predios para proteger estas áreas o

ecosistemas estratégicos para la conservación, preservación, y recuperación de los recursos naturales y

que los municipios pueden comprar predios para garantizar la protección de las áreas estratégicas para

el abastecimiento de sus acueductos entre los cuales se encuentran los ecosistemas de páramo. En el

año 2002, la Corte Constitucional mediante sentencia C-339 de 2002 estableció que las zonas excluidas

de la minería no se limitaban únicamente a los parques naturales (nacionales o regionales) previstos en

la Ley 685 de 2001 (Código Minero) y la sentencia C-443 de 2009 enuncia como una de las zonas

excluibles los ecosistemas estratégicos como los páramos. También en el año 2002, el entonces

Ministerio del Medio Ambiente, mediante Resolución 769 dictó las disposiciones para contribuir a la

protección, conservación y sostenibilidad de los páramos del país e instó a las Corporaciones

Autónomas Regionales de Desarrollo Sostenible y Grandes Centros Urbanos a elaborar un estudio

sobre el estado actual de los páramos en su jurisdicción. Las autoridades también debían elaborar e

implementar “Planes de Manejo Ambiental para los Páramos”, con la participación de las comunidades

asentadas en estos ecosistemas conforme a la Resolución 839 de 2003, modificada por la Resolución

1128 de 2006. Mediante el Decreto 2372 de 2010 compilado en el Decreto 1076 de 2015, se determinó

que las zonas de superpáramo, páramo y subpáramo como áreas de especial importancia ecológica

gozan de protección especial y por lo tanto las autoridades ambientales deberán desarrollar acciones

tendientes a su conservación y manejo, las que podrán incluir su designación como áreas protegidas

bajo alguna de las categorías previstas para la protección y manejo de dichas

áreas.([Link]
Propuesta_resumen_ejecutivo_23102019_HD.pdf)

En los planes nacionales de desarrollo para 2011 y 2015 se han aprobado leyes que reconocen

importancia de proteger los ecosistemas de páramo, prohibiciones reforzadas desarrollo de actividades

agropecuarias y búsqueda y aprovechamiento de los recursos naturales energías renovables, así como

ordenar la limitación de los ecosistemas mencionados.

Los detalles metodológicos de la delimitación se resumen en el documento CONSOLIDADO Y

ANÁLISIS DE INTERVENCIONES (OPINIONES, JUICIOS Y ANÁLISIS DE ALTERNATIVAS)

CIUDADANAS EN LA FASE DE CONSULTA E INICIATIVA DEL PROCESO PARTICIPATIVO

DE DELIMITACIÓN DEL PÁRAMO JURISDICCIÓN SANTURBÁN-BERLÍN EN EL MARCO

DE LA SENTENCIA T361 DE 2017 VERSIÓN 2., generado por el MADS. La zona de transición

bosque-páramo es establecida a partir de una combinación de modelos individuales de formas de

crecimiento de arbustos y bosques, se extendió a una altitud de 2800-3400 metros lo que comprende la

delimitación del páramo.([Link]

Propuesta_resumen_ejecutivo_23102019_HD.pdf):

En este contexto y en desarrollo del artículo 202 de la Ley N° 1450 de 2011, el Minambiente

emitió la Resolución 2090 de 2014 “¿Qué limita las áreas jurisdiccionales del Páramo? Santurbán -

Berlín y se aceptan otras decisiones", que luego fue demandado por medida de tutela.

Por otra parte, la Corte Constitucional resolvió el caso mediante sentencia C-035 de 2016 entre otras

cosas, en relación con la incompatibilidad del artículo 173 de la Ley 1753 de 2015 con la Constitución,

donde proyectos previamente regulados sobre minería y explotación de hidrocarburos en los páramos

del país que el tribunal declaró ejecutoria conforme al segundo párrafo del artículo 173 de la Ley 1753

de 2015, si debe entenderse que si el MADS se desvía del rango de referencia especificado por el

Instituto Alexander von Humboldt debe definir explícitamente la frontera de los pantanos una decisión

basada en criterios científicos que asegura una mejor protección del ecosistema páramo y declaró

inexequibles los párrafos primero, segundo y tercero del primer párrafo artículo 173 de la ley 1753 de

2015 por desconocer la obligación constitucional proteger áreas de importancia ecológica poniendo en
peligro el acceso de toda la población al área el derecho fundamental al agua de [Link]és de

bordear el Páramo de Santurbán - Jurisdicciones de Berlín la decisión de tutela fue anulada por la Corte

Constitucional con sentencia T-361 de [Link] Resolución 2090 de 20174 y se determinó que “la

supresión de la vigencia de la Ley Administrativa lo anterior entrará en vigor un (1) año después de su

anuncio decisión" y dispuso que "dentro de un (1) año contado a partir de la presentación de la

notificación la resolución actual publica una nueva resolución para limitar las jurisdicciones del

Páramo Santurbán - Berlín, como parte del procedimiento para emitir un acto administrativo de

progreso, integral, incluyente, eficaz y

reflexiva".[Link]

Propuesta_resumen_ejecutivo_23102019_HD.pdf)

En resumen, el marco normativo relacionado con la protección del Páramo de Santurbán incluye

diversas normas nacionales, estatales y locales diseñadas para garantizar la sostenibilidad de los

recursos naturales. Estas leyes ayudan a mantener el equilibrio ecológico de la región y protegen la

diversidad de flora y fauna.

 5.4 Marco Ambiental

Las causas y el alcance de la deforestación y la degradación de los bosques varían con el

tiempo, y los indicadores que conducen a este tipo de problemas varían de una región a otra, con

grandes áreas de bosque amenazadas o en riesgo de deforestación.

([Link]

La deforestación se refiere al cambio de uso de la tierra, no a la cubierta de árboles. Esta

definición de deforestación incluye una definición que en FRA combina el criterio físico (límite

mínimo de cobertura de 10% coronas; área de 0,5 hectáreas y altura de 5 metros) y el concepto de

suelo dominante, excluyendo áreas cubiertas principalmente por árboles para uso agrícola o urbano.

(E: FAO. 2020. Evaluación de los recursos forestales mundiales 2020 - Informe principal. FAO

Disponible en:[Link]

El impacto de este tipo de datos obtenidos en un estudio particular que ayuda a medir áreas

de deforestación, la información necesaria para tomar medidas que conlleven a una rápida y efectiva

mitigación de la deforestación requiere un trabajo de caracterización más profundo.

([Link]
[Link]

[Link].

Las causas directas de la deforestación están relacionadas con las actividades humanas que

afectan directamente a los bosques (Geist y Lambin, 2001). Agrupan las desviaciones a escala local

resultantes del cultivo que afectan la silvicultura a través del uso de la madera o la eliminan para dar

paso a otros usos, como la minería ilegal y en la agricultura, estas causas directas nos permiten

entender cómo cambia y se deteriora el bosque. (Ojima, Galvin y Turner, 1994; Geist y Lambin,

2001; Kanninen et al., 2008).

 Cuadro 1. Principales causas directas de deforestación en países No Anexo I del Protocolo de Kioto.

Modificado de Hosonuma et al. (2012)

Las causas indirectas son factores que refuerzan las causas directas de la deforestación

(Kaimowitz y Angelsen, 1998; Geist y Lambin, 2001; Geist y Lambin, 2002a). Agrupan las

complejas variables sociales, políticas, económicas, tecnológicas y culturales que constituyen las

condiciones iniciales de las relaciones estructurales existentes entre los sistemas humanos y

naturales (Geist y Lambin, 2001). Estos factores influyen en las decisiones que toman los autores y

ayudan a explicar por qué ocurre la deforestación.

Los factores biofísicos determinan la capacidad o tendencia natural de cambio de la

deforestación, en última instancia a través de un conjunto de variables como el clima, el suelo, la

litología, la topografía, el paisaje, la hidrología y la vegetación que varían temporal y espacialmente

(Lambin y Geist, 2006a). Esta variabilidad incide en las causas humanas del cambio de cobertura y,

en muchos casos, cuando va de la mano de factores institucionales, por lo tanto, juega un papel

importante en la protección de áreas frente a fenómenos de deforestación y erosión (Lambin y Geist,

2006a). Por estas razones, los incendios forestales de sequía se han encontrado como causas

importantes de deforestación en la cuenca del Amazonas; pero los factores antropogénicos pueden

influir más en esta dinámica (Armenteras y Retana, 2012).

Los factores económicos juegan un papel clave en el cambio de las áreas tropicales, y los

cambios son el resultado de intereses individuales o colectivos en los temas económicos. Los

factores económicos y las políticas relacionadas implican una serie de procesos diferentes, siendo

un factor muy común el uso de la tierra, como el aumento de las tasas de consumo y las

externalidades negativas o el aumento del uso de recursos e insumos de producción (Lambin y

Geist, 2006a). En muchos casos, este fenómeno es una respuesta a la demanda externa más que a los

efectos del consumo local y el declive de la agricultura de subsistencia, lo que se traduce en un

aumento de la tierra cultivada solo para uso comercial (Lambin y Geist, 2006a). Muchos de estos

factores son facilitados por políticas gubernamentales, como la aplicación de incentivos para

desarrollar determinadas actividades productivas o para construir grandes obras de infraestructura

(Lambin y Geist, 2006a).

Los factores demográficos se refieren al conjunto de factores que determinan el resultado de

la interacción entre un fenómeno de población en crecimiento y la cobertura del suelo. Aunque se

espera que el crecimiento de las clases de población genere cambios en la cobertura, el impacto es

impulsado por la migración y la actividad de transición. La migración, por otro lado, va de la mano

con otros factores no demográficos, como las políticas gubernamentales, los cambios en los

patrones de consumo y la globalización, y se ve facilitada por el desarrollo de la infraestructura.

(Lambin y Geist, 2006a).

Factores político-institucionales que más incidieron en el cambio de cobertura y cultivo por

cuestiones de política estatal a nivel institucional. Factores decisivos como los ajustes estructurales

de la economía, la liberalización del mercado, la privatización y la devaluación, afectan

significativamente la dinámica de la cobertura. Además, se ha demostrado que el desarrollo de

infraestructura y la migración patrocinada por el estado causan deforestación, por ejemplo, en

Brasil e Indonesia (Lambin y Geist, 2006a).

Los factores culturales influyen en la decisión sobre el uso percibido y el cambio de

cobertura del suelo en diferentes tipos de lugares, y estos factores no pueden separarse de las

condiciones políticas y económicas impuestas por los agentes de cambio. Por ejemplo, el

establecimiento de haciendas ganaderas, cuyo impacto en la deforestación ha sido documentado, se

remonta a la época colonial ibérica en América en los siglos XVII y XVIII, lo que explica en parte

la expansión de la práctica en gran parte de la región de América Central y del Sur (Lambin y

Geist, 2006a).

El trabajo de este proyecto está enfocado en una zona geográfica específica en el Páramo de

Santurbán. Este proyecto busca evaluar focos de deforestación en Frailejones. Se ha realizado un

estudio para evaluar los factores de riesgo que han causado daño y cambio por las actividades

mineras en la zona del Páramo de Santurbán, indicando la ubicación de puntos de interés de la

problemática en el ecosistema. A través de análisis recientes, se ha revisado una variedad de

documentos para examinar las causas principales, incluida la exploración minera, la agricultura, las

actividades humanas y el uso de diversos contaminantes para la perforación de suelos para la

exploración ilegal de minerales, así como el uso de diversos elementos que provocan contaminación

y daños irreparables a los ecosistemas. Los recursos hídricos se verán afectados por la

contaminación provocada por empresas que utilizan productos químicos como el cianuro y el

mercurio. (Celedón, N. (5 de febrero de 2014).Minería ilegal toma una zona de Santurban.

[Link].)

Ministerio de Ambiente y Desarrollo Sostenible, Resolución 2090 (19 de diciembre de

2014), por la cual “se delimita la Jurisdicción Páramo - San Turban - Berlín y se dictan otras

decisiones.” Áreas agrícolas sustentables ubicadas en municipios con tradición agrícola como

Abrego, Arboledas, Bochalema, Bucarasica, Cáchira, Cácota, Chinácota, Chitagá, Cucutilla,

Gramalote, La Esperanza, Labateca, Lourdes, Mutiscua, Pamplona, Pamplonita Salazar, Silos,

Toledo, Villacaro, Charter, El Playón, Matanza, Piedecuesta, Tona, Santa Bárbara y Guaca se han

convertido en regiones protección y desarrollo de los recursos naturales y el medio ambiente.

Serrano, M.R. and Serrano, Y.T. R. (2015). Santurbán está rodeada por 78 lagunas y es fuente de

más de 400 arroyos de agua dulce El Igac (Instituto Geográfico Agustín Codazzi) da un avalúo de

81.000 hectáreas, los impactos ambientales negativos ocuparon el 71% de la zona evaluada,

principalmente por las prácticas agrícolas y la adecuación inadecuada de vías, establecimientos de

lotes, construcción de infraestructuras y disposición de residuos, también pérdida de biodiversidad

por el aprovechamiento de la fauna o extracción de zonas de bosque. Otro problema en el Páramo

de Santurban es que las especies invasoras se reproducen sin ayuda humana y amenazan el

ecosistema existente en este Páramo. Algunas especies que se encuentran actualmente son el retamo

espinoso, la dedalera, el nabo, la acederilla y el trébol blanco. Tenga en cuenta que el trébol blanco

cubre grandes áreas del suelo y se naturaliza allí por este motivo, por lo que no todas las especies se

reconocen por igual. (Flores, 2019).

La Autoridad Ambiental, que se ocupa de la protección del Páramo, ha establecido que en el

área protegida del Páramo de Santurbán están prohibidas diversas actividades agrícolas y

explotaciones [Link] que el páramo de santurbán es todo lo que comprende o está

delimitado por cambios locales de gradiente altitudinal 2900m +/ - 100 m sobre el nivel del mar.

Para proteger los páramos de Colombia, la decisión pide la intervención de los agricultores y

mineros que utilizan estas hectáreas como medio de subsistencia y que se sienten directamente

afectados por la falta de otros ingresos. Evidencia de que los impactos ambientales son menos

importantes que la economía. (Blanco Sanabria, 2019).

 La información recabada sobre la problemática existente en el Páramo de Santurbán y su

buen análisis han hecho que el problema de la conservación del ecosistema del Páramo sea notorio y

no considerado en ningún proyecto planificado en la zona. Es imperativo que el proyecto internalice

no solo el daño que se hace a los ecosistemas locales, que son las causas directas de la

deforestación, sino también los impactos negativos que puede tener fuera del bosque.

Revista SEMANA, el gran problema nace en que en las montañas del páramo de Santurban

se encuentra algo muy valioso para el país pues estos son una fábrica de agua, que suministra este

líquido a un 70% de los colombianos, de estos páramos dependen más de 2.000.000 millones de

Santandereanos, razón por la cual nace la defensa de los mismos, y el Plan de Desarrollo y la Corte

Constitucional prohibieron que se haga Minería en ellos. El Ministerio de Ambiente y Desarrollo

Sostenible delimitó el ecosistema en el año 2017, este conflicto va en contra total de la minería y la

defensa absoluta de los páramos, una escala que marcó la discusión Nacional sobre la protección de

estos ecosistemas.

(Acevedo, Álvaro; Correa, David (2019). Pensar el cambio socio ambiental: un

acercamiento a las acciones colectivas por el páramo de Santurbán (Santander, Colombia). Revista

Colombiana de Sociología, 42(1), 157–175). Colombia es uno de los países de Latino América que

ocupa el segundo lugar con un de 95% de casos que representan la degradación del medio ambiente

en ecosistemas, los bosques, biodiversidad los recursos hídricos de la misma manera la afectación al

ser humano como indígenas y campesinos entre otros grupos. Environmental Justice Atlas, 2015).
 Bibliografía

Comportamiento de la deforestación en proyectos REDD+ en Colombia. (2023, febrero).

Fundación para la Conservación y el Desarrollo Sostenible (FCDS). Recuperado 8 de marzo

de 2023, de [Link]

[Link]

C. (2022, 8 septiembre). En Colombia se han deforestado más de tres millones de hectáreas de

bosque en las últimas dos décadas. Ministerio de Ambiente y Desarrollo Sostenible.

Recuperado 9 de marzo de 2023, de c

Repositorio institucional UNIMINUTO: Invalid Identifier. (s. f.).

[Link]

%2069_Intelligentsia-oct%[Link]
Organización de las Naciones Unidades para la alimentación y la Agricultura (FAO). (2022). El

estado de los bosques en el mundo. Recuperado 14 de marzo de 2023, de

[Link]

Bibliografía Artículos

Valdés Ávila, L. S., & Baquero Vanegas, J. M. (2019). Deep Learning aplicado a imágenes

satelitales como herramienta de detección de Viviendas Sin Servicio de energía en el

caserío Media Luna-Uribia-Guajira. Repositorio Universidad Distrital Francisco José de

Caldas. Recuperado 22 de marzo de 2023, de

[Link]

APRENDIZAJE PROFUNDO EN LA CLASIFICACIÓN DE CULTIVOS EN IMAGENES

SATELITALES. (2021, 20 diciembre). Universidad Nacional de cuyo. Recuperado 22 de

marzo de 2023, de [Link]

Ramos Patiño, J. P., & Vecino Salcedo, C. F. (2022). Detección de individuos y grupos de palmas

de cera (Ceroxylon sp) en imágenes satelitales de alta resolución, mediante herramientas de

Aprendizaje Profundo en ArcGIS Pro. Repositorio Universidad Antonio Nariño. Recuperado

22 de marzo de 2023, de

[Link]

%20Grado%20%2cPdf

Aldás Núñez, R. J., Tuz Chamorro, K. V., Vega Ocaña, J. A., Velasco Haro, M. S., & Mejía

Escobar, C. I. (2021, 31 enero). Delimitación automática de ceniza volcánica en imágenes

satelitales mediante Deep Learning. Articulo de Investigación y Desarrollo. Recuperado 22

de marzo de 2023, de

[Link]
Suárez, A., Jiménes, A., Castro, M., & Cruz, A. (2017, 14 abril). 2017 Clasificación y

mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes

Neuronales Convolucionales. Scielo. Recuperado 27 de marzo de 2023, de

[Link]

37092017000300064

García, A. (2019, septiembre). Detección de nubes en imágenes adquiridas con satélite

mediante Redes Neuronales. Repositorio Udistrital. Recuperado 27 de marzo de

2023, de [Link]

[Link]?

sequence=1&isAllowed=y

Ortega, M., Queiroz, R., Nigri, P., Aparacido de Almeida, C., & Rodriguez Gomes, A.

(2020, 6 marzo). Evaluación de Técnicas de Aprendizaje Profundo para la

Detección de Deforestación en los Biomas del Cerrado y la Amazonía Brasileña a

partir de Imágenes de Teledetección. MDIP. Recuperado 28 de marzo de 2023, de

[Link]

Choquehuayta, W. (2020). DETECCIÓN DE EMBARCACIONES UTILIZANDO DEEP

LEARNING E IMÁGENES SATELITALES ÓPTICAS. UNIVERSIDAD NACIONAL

SAN AGUSTIN DE AREQUIPA. Recuperado 28 de marzo de 2023, de

[Link]

11292021000400102&lng=en&nrm=iso