Estimación de altura de columna de gases volcánicos mediante la utilización de sistemas embebidos en las emanaciones del volcán Cuyanausul, Ahuachapán
Loading...
Date
2026-04-28
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de El Salvador, Facultad de Ingeniería y Arquitectura.
Abstract
El presente trabajo de graduación desarrolla un prototipo de sistema embebido de bajo costo para la estimación de la altura de plumas volcánicas mediante técnicas de visión por computadora y redes neuronales. La investigación surge ante la necesidad de contar con herramientas accesibles para el monitoreo de actividad volcánica, particularmente en un país como El Salvador, caracterizado por su alta actividad geológica y volcánica. El sistema propuesto integra un módulo ESP32-CAM, una pantalla LCD con interfaz I2C y un modelo de inteligencia artificial optimizado para su ejecución en hardware de recursos limitados. Para el entrenamiento del algoritmo se utilizó una red neuronal basada en MobileNetV2, implementada en Python mediante TensorFlow y Keras, dentro del entorno de Google Colab. El conjunto de datos estuvo conformado por imágenes de volcanes, géiseres y escenarios sin actividad fumarólica, recopiladas de diversas fuentes y complementadas mediante técnicas de aumento de datos para mejorar la capacidad de generalización del modelo. Durante el preprocesamiento, las imágenes fueron redimensionadas a 224 × 224 píxeles y normalizadas para optimizar el entrenamiento. Asimismo, las alturas de las plumas fueron transformadas mediante una normalización logarítmica natural, permitiendo estabilizar la distribución de los datos y mejorar la convergencia del modelo. Posteriormente, el modelo entrenado fue convertido y optimizado para su implementación en sistemas embebidos mediante TensorFlow Lite. Las pruebas experimentales demostraron que el sistema es capaz de estimar alturas de plumas volcánicas con un nivel de precisión satisfactorio, especialmente en rangos de baja y mediana altura. Además, se comprobó su funcionamiento en condiciones reales durante pruebas de campo en el área fumarólica del volcán Cuyanausul, en Ahuachapán. Los resultados validan la viabilidad técnica del uso de sistemas embebidos e inteligencia artificial como alternativa de bajo costo para aplicaciones de monitoreo volcánico.
En conclusión, este proyecto evidencia que la integración de hardware accesible, visión por computadora y redes neuronales constituye una solución innovadora y económicamente viable para la estimación automatizada de parámetros volcánicos, con potencial de aplicación en la gestión del riesgo, la investigación científica y el monitoreo ambiental en El Salvador.
This graduation project presents the development of a low-cost embedded system prototype for estimating volcanic plume height using computer vision techniques and neural networks. The research arises from the need for accessible tools for monitoring volcanic activity, particularly in a country like El Salvador, which is characterized by significant geological and volcanic activity.
The proposed system integrates an ESP32-CAM module, an LCD display with an I2C interface, and an artificial intelligence model optimized for execution on resource-constrained hardware. For training the algorithm, a neural network based on MobileNetV2 was used, implemented in Python using TensorFlow and Keras within the Google Colab environment. The dataset consisted of images of volcanoes, geysers, and scenes without fumarolic activity, collected from various sources and enhanced through data augmentation techniques to improve the model's generalization capability.
During preprocessing, the images were resized to 224 × 224 pixels and normalized to optimize training. Likewise, plume heights were transformed using natural logarithmic normalization, allowing the stabilization of data distribution and improving model convergence. Subsequently, the trained model was converted and optimized for deployment on embedded systems using TensorFlow Lite.
Experimental tests demonstrated that the system is capable of estimating volcanic plume heights with a satisfactory level of accuracy, particularly within low- and medium-height ranges. Furthermore, its functionality was validated under real-world conditions during field tests conducted in the fumarolic area of the Cuyanausul Volcano in Ahuachapán. The results confirm the technical feasibility of using embedded systems and artificial intelligence as a low-cost alternative for volcanic monitoring applications.
In conclusion, this project demonstrates that the integration of affordable hardware, computer vision, and neural networks constitutes an innovative and economically viable solution for the automated estimation of volcanic parameters, with potential applications in risk management, scientific research, and environmental monitoring in El Salvador.
Description
Keywords
Sistema embebido, Redes Neuronales convolucionales, Volcán