- Vallejo, Miguel
- Martín-Rodríguez, Francisco Javier
- Juez, Carmelo
Resumen de la comunicación de congreso., II Jornadas de Morfodinámica Fluvial y Observatorio de Sedimentos en Ríos, Oviedo (Asturias), 12-13 noviembre de 2025, organizadas por la Dirección General del Agua, INDUROT, y la Confederación Hidrográfica del Cantábrico.
Sesión: Análisis de la morfodinámica fluvial en gabinete., Las II Jornadas de Morfodinámica Fluvial y Observatorio de Sedimentos en Ríos
(MorFOS-2025) se han diseñado desde el punto de vista científico-técnico en el marco
de la Subvención 2023-2026 firmada entre la Dirección General del Agua (DGA-MITERD)
y el Consejo Superior de Investigaciones Científicas (CSIC-MCIU), en la que se incluye la
actuación 20233TE012, desarrollada en el proyecto “Investigación científica en
morfodinámica sedimentaria y paleohidrología aplicadas a la gestión de sistemas
fluviales” (Tarquín 2), del Centro Nacional Instituto Geológico y Minero de España,
(IGME-CSIC)., [EN]
The consolidation of image processing and deep learning techniques enables the detection and
segmentation of coarse particles (i.e., diameter > 1 cm) in gravel-bed rivers from RGB photographs.
Various methodologies automate the estimation of gravel size and the generation of granulometric
distributions, unlike manual techniques based on systematic in situ sampling (Wolman, 1954). To work at
the river reach scale, georeferenced aerial images taken by drones are photogrammetrically processed to
generate orthomosaics, achieving centimeter-level spatial resolution. The initial hypothesis is that manual
labeling should be done on this orthomosaic, ensuring a unique coordinate reference between training and
prediction. However, using higher-resolution terrestrial photographs allows the inclusion of finer gravels
in the training, albeit with relative georeferencing errors compared to the orthomosaic. Pretrained models
from other regions (e.g., alpine rivers in Switzerland) can reduce labeling and georeferencing efforts, but
their transferability to other mountainous rivers like the Central Pyrenees ones needs to be evaluated. This
work presents results on differences in the granulometric curve using the methodology of Mair et al. (2024)
when: a) the model is trained with a pretrained model from another area and compared to models trained
on the same orthomosaic where gravel detection is desired, and b) the training is done with manually
georeferenced terrestrial photographs of higher resolution than the orthomosaic., [ES]
La consolidación de técnicas de procesamiento de imágenes y deep learning permiten detectar
y segmentar partículas gruesas (i.e., diámetro > 1 cm) en ríos de grava a partir de fotografías RGB. Diversas
metodologías automatizan la estimación del tamaño de las gravas y la generación de distribuciones
granulométricas, a diferencia de técnicas manuales basadas en muestreos sistemáticos in situ (Wolman,
1954). Para trabajar a escala de tramo fluvial, se procesan fotogramétricamente imágenes aéreas
georreferenciadas tomadas desde drones para generar ortomosaicos, logrando resolución espacial
centimétrica. La hipótesis inicial es que el etiquetado manual debe realizarse sobre el propio ortomosaico,
asegurando una única referencia de coordenadas entre entrenamiento y predicción. Sin embargo, el uso de
fotografías terrestres de mayor resolución permite incluir gravas más finas en el entrenamiento, aunque con
errores relativos en la georreferenciación respecto al ortomosaico. Modelos preentrenados en otras zonas
(p. ej., ríos alpinos en Suiza) pueden reducir el etiquetado y georreferenciación, pero es necesario evaluar
su transferencia a otros ríos montañosos como los de los Pirineos Centrales. Este trabajo presenta resultados
sobre las diferencias en la curva granulométrica usando la metodología de Mair et al. (2024) cuando: a) el
entrenamiento se realiza con un modelo preentrenado en otra zona y se compara con modelos entrenados
sobre el mismo ortomosaico donde se desea detectar las gravas, y b) el entrenamiento se realiza con
fotografías terrestres georreferenciadas manualmente y con mayor resolución que el ortomosaico., European Union, ERC-StG, SEDAHEAD, 101039181, Peer reviewed