Azimuth-48

Revista Azimuth / JUL. 2024 /37 capa envolvente de 16.788 kilómetros cuadrados en el distrito de Quesada, subdividida en 5 sectores de 3.36 km² para una cobertura exhaustiva. Configuración del Vuelo: Utilizando el dron DJI Mavic 3E RTK, se realizaron 15 vuelos a una altura de 251 metros, con una resolución espacial de 6.61 cm/ pix y precisión de imagen de 12.56 cm. Estos vuelos generaron un volumen significativo de imágenes aé- reas de alta calidad. Procesamiento y Corrección de Datos Corrección GNSS: Las imágenes obtenidas fueron co- rregidas con la antena GNSS para mejorar la preci- sión de la georreferenciación y garantizar la integra- ción exacta de los datos espaciales. Generación de Modelos 3D: Utilizando Agisoft Metasha- pe, se crearon modelos tridimensionales detallados y ortofotos a partir de las imágenes capturadas. Estos modelos proporcionan una representación precisa del área de estudio. Aplicación de Inteligencia Geoespacial Análisis Espacial Avanzado: Se emplearon sistemas SIG (QGIS) para analizar los modelos 3D y las ortofotos. Este análisis incluye la identificación y clasificación de usos del suelo y construcciones, facilitando una actuali- zación precisa del censo de residuos sólidos. Detección de Cambios: La inteligencia geoespacial per- mite monitorear y visualizar cambios en la infraes- tructura y el uso del suelo, proporcionando una base sólida para la actualización de datos y la toma de decisiones estratégicas. Integración de Machine Learning Automatización de la Detección: S e implementaron al- goritmos de machine learning para automatizar la identificación de huellas constructivas y patrones de generación de residuos. Estos algoritmos procesan grandes volúmenes de datos para detectar cambios en la infraestructura y prever tendencias en la gene- ración de residuos. Modelos Predictivos: Los modelos de machine learning fueron entrenados con datos históricos y actuales para predecir patrones futuros de crecimiento urba- no y generación de residuos. Esta capacidad predic- tiva permite una gestión proactiva y una planifica- ción más eficaz. Optimización de la Fiscalización y Recaudación Análisis Predictivo: Utilizando los datos generados y las predicciones de machine learning, se optimiza la fiscalización y recaudación tributaria al identificar áreas de alta actividad y necesidades específicas en la gestión de residuos. Mejora de Políticas Públicas: Los resultados obtenidos proporcionan información valiosa para la formula- ción de políticas públicas basadas en datos, mejoran- do la eficiencia en la gestión de residuos y la fiscali- zación tributaria. Implementación y Validación Validación de Resultados: Los datos procesados y las predicciones se validan con datos de campo y ob- servaciones directas para asegurar la precisión y la aplicabilidad de los modelos desarrollados. Adaptación y Ajustes: Se realizan ajustes en los modelos y algoritmos en función de los resultados obtenidos durante la validación, garantizando la adaptabilidad y mejora continua del sistema. Este enfoque metodológico innovador combina las capacidades avanzadas de la inteligencia geoespa- cial con el poder predictivo del machine learning, ofreciendo una solución integral y eficaz para los desafíos en la gestión de residuos sólidos y fiscaliza- ción tributaria. La integración de estas tecnologías no solo mejora la precisión y eficiencia de los proce- sos, sino que también establece un modelo replicable para otras regiones con desafíos similares.