Resumen
A method of homogenizing areas affected by damage caused by a climatic disaster for the definition of insurance areas, the method involves downloading and processing pixel-wise data from satellite images, generating segmentations of the captured images until generating homogeneous areas within an indexed insurance scheme to cover the risk of drought in pastures, the method allows to determine agroclimatically homogeneous areas during periods of drought, reducing the zonal base risk, where the average index of the area, which is taken to estimate the average losses and calculate the compensation, is more correlated with the losses of the insured and the value of the insurance is maximized, by reducing the probability of false negatives and false positives. (Machine-translation by Google Translate, not legally binding)
Reivindicaciones
1. REIVINDICACIONES 1. Un método de homogeneización de zonas afectadas por daños causados por un desastre climático, que comprende • Descarga de datos de imágenes capturadas relacionadas con al menos un área geográfica afectada por condiciones climáticas adversas, las imágenes capturadas por al menos un satélite son transmitidas hacia un ordenador, • Generación de superpíxeles homogéneos agrupando píxeles de las imágenes capturadas en base a los valores de un índice de vegetación de diferencia normalizada NDVI, • Suministro de áreas homogéneas con una superficie superior o igual a un área objetiva deseada. 2. Método de acuerdo con la reivindicación 1, donde el método comprende • Descarga de datos por píxeles a partir de una pluralidad de imágenes relacionadas con al menos un área geográfica afectada por condiciones climáticas adversas, las imágenes son recibidas en un ordenador desde un satélite, • Calcular para cada píxel el índice de vegetación de diferencia normalizada NDVI, • Calcular la puntuación Z-score para cada píxel, determinando las anomalías en cada periodo de condiciones climáticas adversas relacionadas con momentos de sequía. 3. Método de acuerdo con la reivindicación 2, donde el método comprende, además, calcular el índice de vegetación de diferencia normalizada NDVI <img class="EMIRef" id="37c8da1a-9cef-4182-a412-458a0b1a9c4a-imgf000011-0001" /> utilizando las bandas del rojo RED y el infrarrojo cercano NIR 4. Método de acuerdo con la reivindicación 2, donde la agrupación de los píxeles se realiza de acuerdo con valores de NDVI obtenidos en una condición climática adversa del tipo momentos de sequía. 5. Método de acuerdo con la reivindicación 2, donde la puntuación Zscore <img class="EMIRef" id="37c8da1a-9cef-4182-a412-458a0b1a9c4a-imgf000011-0002" /> mostrando para una fecha y un año concreto, cuál es la anomalía respecto de la media histórica en una fecha determinada, NDVI del píxelien la fechatdel añoy, ÑDVTU del píxel i en la fecha t, o desviación estándar Método de acuerdo con la reivindicación 4, donde el método comprende • Agrupar la pluralidad de píxeles según los valores de índice de vegetación de diferencia normalizada NDVI y la puntuación Z-score de cada píxel, • Reducir la dimensión temporal agrupando periodos con un menor número de píxeles hasta explicar un 95% de la varianza, • Agrupar la pluralidad de píxeles en clúster que presentan diferencias mínimas, por debajo de un predeterminado nivel umbral, en las distancias euclídeas de las series temporales de los píxeles, • Formación de islas con los píxelesipertenecientes al mismo clúster y que, además, son contiguos, • Calcular para cada islajlas nuevas componentes principales como la media de las componentes principales de los píxeles que la forman, <img class="EMIRef" id="37c8da1a-9cef-4182-a412-458a0b1a9c4a-imgf000012-0001" /> • Generar superpíxeles homogéneos uniendo islas que presentan una distancia euclídea inferior a un valor umbral predeterminado entre las componentes principales de cada isla, Método de acuerdo con la reivindicación 6, donde el método comprende • Agrupar las islas utilizando un algoritmo SKATER, Spatial "K"lustering Analysis by Tree Edge Removal. El método de acuerdo con la reivindicación 6, donde el método comprende, • Calcular la serie temporal de los valores de NDVI como la media de los valores de NDVI de todos los píxeles que forman el superpíxel calculado anteriormente, <img class="EMIRef" id="37c8da1a-9cef-4182-a412-458a0b1a9c4a-imgf000012-0003" /> •Calcular la puntuación Z-score de los superpíxeles s donde <img class="EMIRef" id="37c8da1a-9cef-4182-a412-458a0b1a9c4a-imgf000012-0002" /> mostrando para una fecha y un año concreto, cuál es la anomalía respecto de la media histórica en una fecha determinada, NDVIs,t,y del superpíxel s en la fechatdel añoy, NDVIs,t del superpíxel s en la fecha t, o desviación estándar 9. El método de acuerdo con la reivindicación 8, donde el método comprende • Generar zonas homogéneas agrupando superpíxeles en función de que compartan los patrones de sequía, donde los periodos presentan puntuaciones de Z-score negativas, • Utilizar el coeficiente de dependencia en la cola baja LTD, Lower Tail Dependence Coefficient, entre todos los superpíxeles. 10. El método de acuerdo con la reivindicación 9, donde el método comprende determinar el número de zonas homogéneas objetivo aplicando un algoritmo de clustering espacial SKATER que junta los superpíxeles que son contiguos, para minimizar la distancia intraclúster de una matriz de coordenadas. 11. Un programa de ordenador, que comprende instrucciones que, cuando se ejecutan en al menos un procesador, hacen que el procesador lleve a cabo el método según una cualquiera de las reivindicaciones 1 a 10.
