Diseño e Implementación del algoritmo de optimización PSO (Optimización por enjambre de partículas) para la obtención de un nuevo índice espectral a partir de imágenes satelitales

Resumen

En el contexto de la Teledetección ambiental, la detección precisa de cuerpos de agua en entornos espectralmente complejos, como los lagos salinos, representa un desafío significativo para los métodos tradicionales de análisis de imágenes satelitales. Índices espectrales ampliamente utilizados como el NDWI y el MNDWI muestran limitaciones al aplicarse sobre áreas con alta reflectancia o condiciones ópticas atípicas, donde la distinción entre agua y otros tipos de cobertura puede ser ambigua o errónea.

Este proyecto aborda dicha problemática mediante el diseño e implementación de un sistema automático que genera un índice espectral optimizado adaptado a cada cuerpo de agua, utilizando el algoritmo de Optimización por Enjambre de Partículas PSO. El sistema combina técnicas de procesamiento digital de imágenes, algoritmos bioinspirados y clasificación no supervisada, integrando todo el flujo de trabajo en una arquitectura modular desarrollada íntegramente en Python.

Su flexibilidad, bajo coste computacional y capacidad de adaptación a distintos sensores y regiones geográficas lo convierten en una solución viable para proyectos de monitoreo hídrico, gestión de humedales y análisis multitemporal en zonas vulnerables al cambio climático.

Abstract:

In the context of environmental Remote Sensing, accurately detecting water bodies in spectrally complex environments, such as saline lakes, poses a significant challenge for traditional satellite image analysis methods. Widely used spectral indices like NDWI and MNDWI show limitations when applied to areas with high reflectance or atypical optical conditions, where the distinction between water and other land cover types may be ambiguous or inaccurate.

This project addresses this issue by designing and implementing an automated system that generates an optimized spectral index tailored to each image, using the Particle Swarm Optimization (PSO) algorithm. The system combines digital image processing techniques, bio-inspired algorithms, and unsupervised classification, integrating the entire workflow into a modular architecture developed entirely in Python.

Its flexibility, low computational cost, and ability to adapt to different sensors and geographic regions make it a viable solution for water monitoring projects, wetland management, and multitemporal analysis in areas vulnerable to climate change.