Abstract

Este estudio propone un método innovador para la estimación de la distribución granulométrica superficial mediante la combinación de fotogrametría y machine learning . Se utilizaron imágenes captadas por un vehículo aéreo no tripulado para generar un ortomosaico de una superficie aproximada de 40 hectáreas. La metodología integra la segmentación de granos utilizando los modelos Cellpose e ImageGrains en imágenes de alta resolución (~8 mm/píxel) y la estimación de curvas granulométricas mediante el modelo SediNET en imágenes de menor resolución (~3 cm/píxel). La capacidad de aprendizaje por transferencia, presente en el modelo ImageGrains, también fue evaluado para determinar su impacto en los resultados. La recolección de datos se realizó en Fortress, Canadá, en un entorno montañoso y paraglaciar. Los resultados validan que el flujo de trabajo es escalable y eficaz para grandes extensiones de terreno, superando dificultades inherentes a los métodos tradicionales y facilitando análisis sedimentológicos en áreas de difícil acceso. Este enfoque permite obtener distribuciones granulométricas detalladas de toda el área estudiada, en lugar de limitarse a muestras puntuales como es común en las técnicas de excavación de calicatas, reduciendo significativamente el tiempo y los recursos necesarios en comparación con métodos convencionales