Herramienta automatizada de segmentación y clasificación del paisaje urbano para la vigilancia eco-epidemiológica con drones
DOI:
https://doi.org/10.29105/ingenierias29.101-1007Palabras clave:
Paisaje urbano, Aedes aegypti, superpixeles, aprendizaje automático, dronesResumen
Este estudio propone una herramienta automatizada para la segmentación y clasificación del paisaje urbano asociado a criaderos de Aedes aegypti, utilizando imágenes aéreas RGB tomadas por dron en Tapachula, Chiapas, México. Bajo un enfoque de Análisis de Imágenes Basado en Objetos (OBIA), las imágenes fueron segmentadas en superpixeles mediante el algoritmo SLIC, y se extrajeron características estadísticas, de borde y de textura para cada objeto. Se construyó el conjunto de datos SetDroneDataset-TapachulaRGB (109,956 superpixeles, 10 clases). De los clasificadores evaluados (KNN, SVM y MLP), la red neuronal MLP obtuvo el mejor desempeño global (F1-score ponderado) y el menor tiempo de predicción.
Descargas
Citas
1. Hunsperger, E. A., Sharp, T. M., Lalita, P., Tikomaidraubuta, K., Rebello Cardoso, Y., Naivalu, T., Khan, A. S., Marfel, M., Hancock, W. T., Tomashek, K. M., & Margolis, H. S. (2016). Use of a rapid test for diagnosis of dengue during suspected dengue outbreaks in resource-limited regions. Journal of Clinical Microbiology, 54(8), 2042–2047. https://doi.org/10.1128/JCM.00521-16. DOI: https://doi.org/10.1128/JCM.00521-16
2. Betanzos-Reyes AF, Rodríguez-López MH, Huerta-Jiménez H, Mejía-Mendoza TG, Dzul-Manzanilla FA, Correa-Morales F, Larios-Morales J. (2025). Aedes aegypti y arbovirosis. Factores que determinan la presencia del vector y pautas para su control integral sostenido. Cuernavaca, Morelos: Instituto Nacional de Salud Pública, https://spmediciones.mx/libro/aedes-aegypti-y-arbovirosis_162599/.
3. Pando-Robles, V., Alvarez-Obregón, J., Díaz del Castillo-Flores, G., González-Roldán, J. F., Saúl Raga-Sarabia, E., González-Acosta, C., & Méndez-Galván, J. F. (2025). Epidemiological and Economic Burden of Dengue in Mexico: Data Analysis from 2010 to 2020. The American Journal of Tropical Medicine and Hygiene, 113(6), 1363-1374. Retrieved Jan 28, 2026, from https://doi.org/10.4269/ajtmh.24-0777. DOI: https://doi.org/10.4269/ajtmh.24-0777
4. Pando Robles, V. (2024, noviembre 20). Vacuna contra el dengue: una herramienta adicional para la prevención. Instituto Nacional de Salud Pública. https://www.insp.mx/informacion-relevante/vacuna-contra-el-dengue-una-herramienta-adicional-para-la-prevencion.
5. Carrasco-Escobar, G., Manrique, E., Ruiz-Cabrejos, J., Saavedra, M., Álava, F., Bickersmith, S., Prussing, C., Vinetz, J. M., Conn, J. E., Moreno, M., & Gamboa, D. (2019). High-precision detection of malaria vector larval habitats using multispectral imaging from drones. PLoS Neglected Tropical Diseases, 13(1), e0007105. https://doi.org/10.1371/journal.pntd.0007105. DOI: https://doi.org/10.1371/journal.pntd.0007105
6. Aragão, F. V., Cavicchioli Zola, F., Nogueira Marinho, L. H., de Genaro Chiroli, D. M., Braghini Júnior, A., & Colmenero, J. C. (2020). Selection of unmanned aerial vehicles for mosquito breeding site identification. Geospatial Health, 15(1), 810. https://doi.org/10.4081/gh.2020.810. DOI: https://doi.org/10.4081/gh.2020.810
7. Mukabana, W. R., Welter, G., Ohr, P., Tingitana, L., Makame, M. H., Ali, A. S., & Knols, B. G. J. (2022). Drones for Area-Wide Larval Source Management of Malaria Mosquitoes. Drones, 6(7), 180. https://doi.org/10.3390/drones6070180. DOI: https://doi.org/10.3390/drones6070180
8. Valdez-Delgado, K.M.;Moo-Llanes, D.A.; Danis-Lozano, R.; Cisneros-Vázquez, L.A.; Flores-Suarez, A.E.; Ponce-García, G.;Medina-De la Garza, C.E.; Díaz-González, E.E.; Fernández-Salas, I. (2021). Field Effectiveness of Drones to Identify Potential Aedes aegypti Breeding Sites in Household Environments from Tapachula, a Dengue-Endemic City in Southern Mexico. Insects. 12, 663 https://doi.org/10.3390/insects12080663. DOI: https://doi.org/10.3390/insects12080663
9. Valdez-Delgado, K. M., Garcia-Salazar, O., Moo-Llanes, D. A., Izcapa-Treviño, C., Cruz-Pliego, M. A., Domínguez-Posadas, G. Y., Armendáriz-Valdez, M. O., Correa-Morales, F., Cisneros-Vázquez, L. A., Ordóñez-González, J. G., Fernández-Salas, I., & Danis-Lozano, R. (2023). Mapping the Urban Environments of Aedes aegypti Using Drone Technology. Drones, 7(9), 581. https://doi.org/10.3390/drones7090581. DOI: https://doi.org/10.3390/drones7090581
10. Muñiz-Sánchez, V., Valdez-Delgado, K. M., Hernández-López, F. J., Moo-Llanes, D. A., González-Farías, G., & Danis-Lozano, R. (2022). Use of unmanned aerial vehicles for building a house risk index f mosquito-borne viral diseases. Machines, 10(12), 1161. https://doi.org/10.3390/machines10121161. DOI: https://doi.org/10.3390/machines10121161
11. Ferraguti, M., Martínez-de la Puente, J., Roiz, D., Ruiz S., Soriguer R., Figuerola J. (2016). Effects of landscape anthropization on mosquito community composition and abundance. Sci Rep 6, 29002 https://doi.org/10.1038/srep29002. DOI: https://doi.org/10.1038/srep29002
12. Fernandez-Salas I. (2009). Biología y control de Aedes aegypti, Manual de operaciones. Universidad Autonoma de Nuevo León. 2da. Edición. Monterrey, Nuevo León, México. ISBN 978-607-433-320-6.
13. Ortiz, D. I., Piche-Ovares, M., Romero-Vega, L. M., Wagman, J., & Troyo, A. (2022). The Impact of Deforestation, Urbanization, and Changing Land Use Patterns on the Ecology of Mosquito and Tick-Borne Diseases in Central America. Insects, 13(1), 20. https://doi.org/10.3390/insects13010020. DOI: https://doi.org/10.3390/insects13010020
14. Cofone, L., Sabato, M., Di Paolo, C., Di Giovanni, S., Donato, M. A., & Paglione, L. (2025). Urban, Architectural, and Socioeconomic Factors Contributing to the Concentration of Potential Arbovirus Vectors and Arbovirosis in Urban Environments from a One Health Perspective: A Systematic Review. Sustainability, 17(9), 4077. https://doi.org/10.3390/su17094077. DOI: https://doi.org/10.3390/su17094077
15. Stanton, M. C., Kalonde, P., Zembere, K., Spaans, R. H., & Jones, C. M. (2021). The application of drones for mosquito larval habitat identification in rural environments: a practical approach for malaria control? Malaria Journal, 20(1), 244. https://doi.org/10.1186/s12936-021-03759-2. DOI: https://doi.org/10.1186/s12936-021-03759-2
16. Hay, G.J., Castilla, G. (2008). Geographic Object-Based Image Analysis (GEOBIA): A new name for a new discipline. In: Blaschke, T., Lang, S., Hay, G.J. (eds) Object-Based Image Analysis. Lecture Notes in Geoinformation and Cartography. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-77058-9_4. DOI: https://doi.org/10.1007/978-3-540-77058-9_4
17. Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I., & Heynen, M. (2004). Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58(3–4), 239–258. DOI: https://doi.org/10.1016/j.isprsjprs.2003.10.002
18. Blaschke, T., Lang, S., & Hay, G. J. (Eds.). (2008). Object-based image analysis: Spatial concepts for knowledge-driven remote sensing applications. Springer. https://doi.org/10.1007/978-3-540-77058-9. DOI: https://doi.org/10.1007/978-3-540-77058-9
19. OpenCV contributors. (2025). OpenCV: ximgproc::SuperpixelSLIC [Documentación]. OpenCV.org. Recuperado el 14 de octubre de 2025, de https://docs.opencv.org/3.4/d3/da9/classcv_1_1ximgproc_1_1SuperpixelSLIC.html .
20. Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., & Süsstrunk, S. (2012). SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(11), 2274–2282. DOI: https://doi.org/10.1109/TPAMI.2012.120
21. Ren, X., & Malik, J. (2003). Learning a classification model for segmentation. In Proceedings of the IEEE International Conference on Computer Vision (ICCV) (pp. 10–17). IEEE. DOI: https://doi.org/10.1109/ICCV.2003.1238308
22. Hernández Girón, A., González Navarro, Y. E., & Morales Blas, A. (2017, julio). Implementación de algoritmo de superpixeles para la segmentación de imágenes a color. Boletín UPIITA, (61). https://www.boletin.upiita.ipn.mx/index.php/ciencia/717-cyt-numero-61/1397-implementacion-de-algoritmo-de-superpixeles-para-la-segmentacion-de-imagenes-a-color.
23. Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson.
24. Valverde Rebaza, J. (2007). Detección de bordes mediante el algoritmo de Canny [Manuscrito]. Universidad Nacional de Trujillo. https://www.researchgate.net/publication/267240432.
25. Sonka, M., Hlavac, V., & Boyle, R. (2014). Image processing, analysis, and machine vision (4th ed.). Cengage Learning.
26. Ventura Angoa, S. (2025). segmentacion-automatica-paisaje-urbano-dengue [Repositorio de código]. GitHub. Recuperado el 16 de octubre de 2025, de https://github.com/SarahiVenturaaaa/segmentacion-automatica-paisaje-urbano-dengue.
27. Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge University Press. DOI: https://doi.org/10.1017/CBO9781107298019
28. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. DOI: https://doi.org/10.1007/978-0-387-84858-7
29. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. DOI: https://doi.org/10.1023/A:1022627411411
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Lcda. Sarahi Ventura Angoa, Dr. Victor Hugo Muñiz Sánchez, Dr. Francisco Javier Hernández López, Dr. Rogelio Danis Lozano, Dra. Kenia Mayela Valdez Delgado
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
