https://github.com/dymaxionlabs/basurales

Detection of Open Landfills - Basurales a Cielo Abierto
https://github.com/dymaxionlabs/basurales

landfill machine-learning satellite-imagery segmentation unet

Last synced: about 1 year ago
JSON representation

Detection of Open Landfills - Basurales a Cielo Abierto

• Host: GitHub
• URL: https://github.com/dymaxionlabs/basurales
• Owner: dymaxionlabs
• License: apache-2.0
• Created: 2021-03-03T13:50:24.000Z (over 5 years ago)
• Default Branch: main
• Last Pushed: 2022-03-15T13:56:27.000Z (over 4 years ago)
• Last Synced: 2025-04-30T07:49:21.255Z (about 1 year ago)
• Topics: landfill, machine-learning, satellite-imagery, segmentation, unet
• Language: Jupyter Notebook
• Homepage:
• Size: 18 MB
• Stars: 12
• Watchers: 4
• Forks: 8
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE.txt

Awesome Lists containing this project

README

          
# Deteccion de basurales a cielo abierto

## Descripción

Los basurales a cielo abierto son aquellos donde los residuos se disponen de forma indiscriminada y con escasas medidas de protección ambiental. 

Este proyecto, desarrollado en conjunto entre Dymaxion Labs y la [Fundación Bunge & Born](https://www.fundacionbyb.org/), tiene por objetivo la detección y seguimiento de los basurales a cielo abierto, aplicando técnicas basadas en machine learning (ML) para el procesamiento de imágenes satelitales. Esto permite mapear grandes áreas de manera rápida y con bajos recursos.

![](img_readme/A.png)![](img_readme/B.png)

El modelo está optimizado para las imágenes multiespectrales del satélite Sentinel-2. 

## Requerimientos

Se utilizan las herramientas **GDAL** y [Orfeo Toolbox](https://www.orfeo-toolbox.org/) en la primera etapa del pre-procesamiento de los datos. Luego, se emplean nuestros paquetes [satproc](https://github.com/dymaxionlabs/satproc) y [unetseg](https://github.com/dymaxionlabs/satproc) para la generación del dataset y modelo de ML respectivamente.

## Notebooks

Este repositorio contiene un conjunto de notebooks de Jupyter, que describen los pasos necesarios:

1. [Pre-procesamiento](notebooks/1_Preprocesamiento.ipynb): Se procesan las imágenes satelitales y la verdad de campo para generar el dataset de entrenamiento y de predicción del modelo.

2. [Entrenamiento](notebooks/2_Entrenamiento.ipynb): Entrenamiento y evaluación del modelo.

3. [Predicción](notebooks/3_Prediccion.ipynb): Predicción sobre la región de interés.

4. [Post Procesamiento](notebooks/4_Post-procesamiento.ipynb): Procesamiento de los resultados de la predicción.

## :handshake: Contribuciones

Reportes de bugs y *pull requests* pueden ser reportados en la [página de issues](https://github.com/dymaxionlabs/basurales) de este repositorio. Este proyecto está destinado a ser un espacio seguro y acogedor para la colaboración, y se espera que los contribuyentes se adhieran al código de conducta [Contributor

Covenant](http://contributor-covenant.org).

## :page_facing_up: Licencia

El código está licenciado bajo Apache 2.0. Refiérase a [LICENSE.txt](LICENSE.txt).