Imagenes Satelitales con Aprendizaje Profundo en la Planificaci ́ on de ́ Redes de Acceso Inalambrico en Localidades del Distrito de Casma

Abstract

La planificacion de redes de banda ancha en zonas rurales del Per ́u enfrenta una limita- ́ cion cr ́ ́ıtica: la ausencia de datos geoespaciales precisos sobre la ubicacion de edificaciones, ́ informacion esencial para optimizar el despliegue de infraestructura inal ́ ambrica. Esta in- ́ vestigacion tuvo como objetivo mejorar la detecci ́ on de edificaciones a partir de im ́ agenes ́ satelitales mediante tecnicas de aprendizaje profundo, aplic ́ andola a la planificaci ́ on de re- ́ des en localidades rurales del distrito de Casma, Ancash. Se desarroll ́ o una metodolog ́ ́ıa en cuatro fases: estimacion de demanda de telecomunicaciones para 21 localidades aplicando ́ normativa del MTC, adquisicion y procesamiento de im ́ agenes satelitales, desarrollo de un ́ modelo de red neuronal artificial para clasificacion de p ́ ́ıxeles, e integracion de los resulta- ́ dos en software profesional de planificacion de redes. El modelo de clasificaci ́ on alcanz ́ o ́

un accuracy del 92.78% y AUC-ROC de 0.9805, mientras que el sistema h ́ıbrido de de- teccion identific ́ o 3,955 edificaciones con precisi ́ on del 88.84%. La planificaci ́ on resultante ́

comprende 11 sitios de red con capacidad de 5,409 Mbps, a un costo de infraestructura de USD 8.37 por habitante, significativamente inferior al benchmark regional de USD 518. Los resultados validan que el procesamiento de imagenes satelitales con aprendizaje profundo ́ mejora sustancialmente la precision en la identificaci ́ on de edificaciones rurales y contribuye ́ a la optimizacion de inversiones en conectividad, ofreciendo una metodolog ́ ́ıa replicable para otros contextos andinos con limitaciones similares de informacion geoespacial.

Broadband network planning in rural areas of Peru faces a critical limitation: the lack of preci- se geospatial data on building locations, which is essential information for optimizing wireless

infrastructure deployment. This research aimed to improve building detection from satellite images using deep learning techniques, applying it to network planning in rural localities of Casma district, Ancash. A four-phase methodology was developed: telecommunications ́ demand estimation for 21 localities applying MTC regulations, satellite image acquisition and processing, development of an artificial neural network model for pixel classification, and integration of results into professional network planning software. The classification model achieved an accuracy of 92.78% and AUC-ROC of 0.9805, while the hybrid detection system identified 3,955 buildings with 88.84% precision. The resulting network plan comprises 11 network sites with 5,409 Mbps capacity, at an infrastructure cost of USD 8.37 per inhabitant, significantly lower than the regional benchmark of USD 518. The results validate that satellite image processing with deep learning substantially improves the precision of rural building identification and contributes to connectivity investment optimization, offering a replicable methodology for other Andean contexts with similar geospatial information limitations.