Optimización del mapeo de superficies glaciares mediante un algoritmo de clasificación de píxeles permanentes y temporales en la subcuenca Quillcay, Ancash - Perú

Abstract

En la subcuenca del río Quillcay de la Cordillera Blanca (Perú), el deshielo acelerado de los glaciares tropicales se ha convertido en un desafío ambiental de primer orden. No es de extrañar que esto plantee un desafío crítico para más de 140,000 personas, con consecuencias directas en la calidad y provisión de agua y en la generación de riesgos. La tarea de vigilar estos glaciares no es sencilla; su superficie va en retroceso constante y la variabilidad estacional, sumada a una nubosidad intensa, complica el seguimiento. Para hacer frente a ello, este trabajo de investigación ofrece una perspectiva novedosa: un método que integra imágenes preprocesadas de Sentinel-2 con un algoritmo de permanencia en Python y un modelo de Random Forest. Con tres mil puntos de referencia para su entrenamiento, el Random Forest ha mostrado una gran capacidad discriminativa, obteniendo un F1-score de 0.956 y una kappa de 0.933. Al aplicar el algoritmo de permanencia a las series mensuales de 2016 a 2024, hemos obtenido mapas anuales que no solo muestran el avance del retroceso, sino que también categorizan la dinámica glaciar según la persistencia de los píxeles. La validación se realizó con el inventario del INAIGEM, que otorgó buenos resultados: en 2020 la diferencia en el área estimada fue mínima, de un 0.08%, con un índice de intersección sobre unión (IoU) de 0.833 y 24.79 km² de intersección. Es una concordancia que superó el método del NDSI y se ajusta mejor a lo observable. En definitiva, la metodología que proponemos es una herramienta precisa y replicable para el monitoreo dinámico en tiempos del cambio climático, indispensable para una buena planificación hídrica y gestión de riesgos.

In the Quillcay river sub-basin of the Cordillera Blanca (Peru), the accelerated melting of tropical glaciers has become a top-tier environmental challenge. It is not surprising that this poses a critical challenge for more than 140,00 people, with direct consequences on water quality and supply and the generation of risks. The task of monitoring these glaciers is not easy; their surface is constantly retreating and seasonal variability, combined with intense cloud cover, complicates tracking. To address this, this research work offers a novel perspective: a method that integrates preprocessed Sentinel-2 images with a permanence algorithm in Python and a Random Forest model. With three thousand reference points for training, the Random Foresthas shown a great discriminative capacity, achieving an F1-score of 0.956 and a kappa of 0.933. By applying the permanence algorithm to the monthly series from 2016 to 2024, we have obtained annual maps that not only show the progression of the retreat but also categorize the glacier dynamics according to the persistence of the pixels. The validation was carried out with the INAIGEM inventory, which yielded good results: in 2020, the difference in the estimated area was minimal, at 0.08%, with an intersection over union (IoU) index of 0.833 and an intersection of 24.79 km2. It is a concordance that surpassed the NDSI method and better aligns with what is observable. Ultimately, the methodology we propose is a precise and replicable tool for dynamic monitoring in times of climate change, essential for good water planning and risk management.