Planificación de Redes Inalámbricas en Distrito de Chulucanas mediante Detección de Edificios con Redes Convolucionales en Imágenes Satelitales

Abstract

La planificacion de redes inal ́ ambricas en zonas rurales enfrenta limitaciones significativas ́ debido a la carencia de datos geoespaciales precisos sobre la ubicacion de edificaciones, lo ́ cual dificulta el dimensionamiento adecuado de la infraestructura requerida. El objetivo de esta investigacion fue evaluar el impacto del uso de redes neuronales convolucionales para ́ la deteccion de edificios en im ́ agenes satelitales en la optimizaci ́ on de la planificaci ́ on de ́ redes inalambricas en localidades rurales del distrito de Chulucanas, Piura. La metodolog ́ ́ıa comprendio cuatro etapas: an ́ alisis de necesidades de conectividad en 27 localidades con ́ 30,017 habitantes y 9,694 viviendas; construccion de una base de datos con 469 im ́ agenes ́ satelitales procesadas en 50,367 parches; evaluacion comparativa de tres arquitecturas CNN; ́ y planificacion de red mediante el software LinkPlanner. Los resultados evidenciaron que el ́ modelo CNN Residual alcanzo un F1-Score del 96.16% con 150,562 par ́ ametros, permitiendo ́ localizar 2,476 puntos de demanda con una cobertura del 95.9%. La red disenada provee una ̃ capacidad de 33.71 Gbps, superando la demanda estimada de 25.71 Gbps con margenes de ́ 36.9% en descarga y 18.2% en subida. Estos resultados superan los reportados en estudios previos que utilizaron datasets genericos, confirmando la importancia de adaptar los modelos ́ al contexto local. Se concluye que la integracion de redes convolucionales con herramientas ́ de planificacion de radiofrecuencia constituye una metodolog ́ ́ıa viable y replicable para optimizar el despliegue de infraestructura de telecomunicaciones en entornos rurales.

Wireless network planning in rural areas faces significant limitations due to the lack of precise geospatial data on building locations, which hinders adequate dimensioning of the required infrastructure. The objective of this research was to evaluate the impact of using convolutional neural networks for building detection in satellite images on the optimization of wireless network planning in rural localities of the Chulucanas district, Piura. The methodology comprised four stages: connectivity needs analysis in 27 localities with 30,017 inhabitants and 9,694 dwellings; construction of a database with 469 satellite images processed into 50,367 patches; comparative evaluation of three CNN architectures; and network planning using LinkPlanner software. Results showed that the Residual CNN model achieved an F1- Score of 96.16% with 150,562 parameters, enabling the localization of 2,476 demand points with 95.9% coverage. The designed network provides a capacity of 33.71 Gbps, exceeding the estimated demand of 25.71 Gbps with margins of 36.9% for download and 18.2% for upload. These results surpass those reported in previous studies using generic datasets, confirming the importance of adapting models to the local context. It is concluded that the integration of convolutional networks with radio frequency planning tools constitutes a viable and replicable methodology for optimizing telecommunications infrastructure deployment in rural environments.