Sistema automatizado de identificación de botaderos a cielo abierto mediante procesamiento de imágenes satelitales multiespectrales de Guatemala

Abstract

Este trabajo implementa un sistema automatizado para detectar botaderos a cielo abierto en Guatemala mediante la integración de imágenes satelitales RGB y métricas atmosféricas con modelos de inteligencia artificial. Se construyó un conjunto de 463 muestras balanceadas entre clases positivas y negativas. Cada punto de interés combina una imagen satelital de alta resolución con promedios locales de dióxido de nitrógeno (NO2), monóxido de carbono (CO) y material particulado (PM10 y PM2.5), obtenidos a partir de Sentinel-5P y CAMS mediante Google Earth Engine. El modelo base ResNet50-FPN, entrenado originalmente con el conjunto de datos AerialWaste, fue reentrenado con estas muestras y ampliado con una rama atmosférica que vincula el comportamiento de los contaminantes con la probabilidad de presencia de un botadero. La fusión entre las ramas visual y atmosférica generó un modelo multimodal con probabilidades calibradas y un equilibrio mejorado entre precisión y sensibilidad, adecuado para tareas de clasificación ambiental. Asimismo, se implementó un servicio de inferencia basado en FastAPI y contenerizado con Docker, asegurando portabilidad, reproducibilidad e integración con plataformas de monitoreo ambiental en Guatemala.

This work implements an automated system to detect open-air landfills in Guatemala by integrating RGB satellite imagery and atmospheric metrics through artificial intelligence models. A dataset of 463 samples was built, balanced between positive and negative classes. Each point of interest combines a high-resolution satellite image with local averages of nitrogen dioxide (NO2), carbon monoxide (CO), and particulate matter (PM10 and PM2.5), obtained from Sentinel-5P and CAMS via Google Earth Engine. The base model, ResNet50-FPN, originally trained with the AerialWaste dataset, was retrained using these samples and extended with an atmospheric branch that relates pollutant behavior to the probability of landfill presence. The fusion between the visual and atmospheric branches produced a multimodal model with calibrated probabilities and improved balance between precision and sensitivity, suitable for environmental classification tasks. Additionally, an inference service was implemented using FastAPI and containerized with Docker, ensuring portability, reproducibility, and seamless integration with environmental monitoring platforms in Guatemala. Overall, the developed system provides a functional, auditable, and scalable tool that combines visual evidence and atmospheric context to support the automated detection and monitoring of open-air landfills in the country.