La evaluación del deterioro de las vías en Colombia se realiza por medio de inventarios manuales e inspecciones visuales. Los métodos de evaluación del estado de las vías adoptados por el INVIAS (Instituto Nacional de Vías) son VIZIR (Visión Inspection de Zones et Itinéraires Á Risque) y PCI (Paviment Condition Index). Estos determinan la gravedad de daño en pavimento flexible y rígido; sin embargo, pueden ser tediosos, subjetivos y requieren de la experiencia de un evaluador, lo que evidencia la necesidad de desarrollar metodologías de evaluación del estado de las vías. Este documento presenta una metodología para la evaluación de los deterioros presentes en pavimento flexible usando técnicas de fotogrametría terrestre y redes neuronales que está compuesta por seis etapas: i. Captura de las imágenes, ii. Preprocesamiento de las imágenes, iii. Segmentación mediante técnicas de detección de bordes, iv. Extracción de las características, v. Clasificación utilizando redes neuronales, y vi. Evaluación del área de afectación del deterioro. La metodología se evaluó con imágenes reales de pavimento con tres tipos de deterioro: grieta longitudinal, piel de cocodrilo y bache. Como clasificador se utilizó una red neuronal multicapa con configuración (12 12 3), entrenada utilizando el algoritmo Levenberg Marquardt de retropropagación. Se obtuvo una exactitud del 96 % en el clasificador, una sensibilidad de 93.33 % y una índice kappa de 0.936. Esta metodología es la base para la creación de un sistema automatizado de evaluación del deterioro presente en las vías, el cual puede contribuir en la reducción en tiempo y costo en los planes de gestión de mantenimiento de la infraestructura vial.

En los últimos años, uno de los principales problemas en Colombia es la contaminación ambiental debido al crecimiento de la población y la industrialización. La contaminación afecta a las grandes ciudades, perjudicando el medio ambiente y la salud humana. Es por ello que se presenta una metodología para el análisis de la contaminación ambiental en Medellín, usando técnicas de percepción remota, imágenes Landsat 7 y 8 y variables de calidad del aire. La metodología está compuesta por cuatro etapas: i. Preprocesamiento de imágenes, ii. Procesamiento de imágenes, cálculo de los índices de temperatura de la superficie (TS), índice de vegetación normalizado (NDVI), índice de vegetación ajustado al suelo transformado (TSAVI), índice de diferencia normalizada del agua (NDWI) y el índice normalizado del suelo (NSI), iii. Interpolación de variables de calidad del aire, Material Particulado (PM10), Material Particulado (PM2.5), Dióxido de Nitrógeno (NO2) y Ozono (O3); y, iv. Análisis de componentes principales. A partir de las técnicas aplicadas combinadas con la estimación del primer componente principal, el cual contenía el 90 % de variación de la información, se obtuvo un mapa de calidad ambiental que permitió identificar que los focos de contaminación se presentan en sectores con poca cobertura de vegetación, gran cantidad de construcciones y gran flujo vehicular. Por otro lado, las zonas con calidad de aire bueno son sectores que presentan una mayor cobertura de vegetación, por lo general ubicados en los extremos de la ciudad y de estrato socioeconómico 4, 5 y 6. Este mapa puede ser insumo en la oportuna toma de decisiones en cuanto a la planificación urbana, ya que permite la pronta intervención en las zonas donde la calidad ambiental es deficiente.

Ensuring the safety, durability, and cost-effectiveness of road infrastructure maintenance requires accurate and efficient damage assessment. However, the heterogeneous nature of pavement deterioration, ranging from cracks and potholes to exposed aggregate areas, poses significant challenges for its analysis and classification. This study introduces a novel hybrid methodology that integrates advanced segmentation, feature extraction, and classification techniques to enhance the accuracy and robustness of road-damage detection. Unlike conventional approaches, the proposed method leverages Enhanced Fuzzy C-Means and vessel segmentation to achieve precise damage detection, thereby overcoming the limitations of traditional threshold-based techniques. For feature extraction, the method combines Mel-frequency cepstral coefficients and Local Binary Patterns to capture both frequency and textural characteristics and improve feature discriminability. Furthermore, Linear Discriminant Analysis optimizes dimensionality reduction, ensuring a compact yet highly informative representation of pavement conditions. The classification stage evaluates multiple approaches, including a Support Vector Machine (SVM) and Artificial Neural Network (ANN) for supervised learning, K-Means for unsupervised learning, and a Convolutional Neural Network (CNN) based on EfficientNetB7. 6464 road images were processed using the proposed methodology. The results show that SVM and ANN achieved F1-Scores above 90% owing to the quality of the extracted features. Additionally, K-Means obtained an F1-Score of 88%, outperforming EfficientNetB7, which achieved 87%, demonstrating the effectiveness of the proposed approach for segmentation and feature extraction. These findings highlight the advantages of integrating frequency-based and texture-based descriptors with advanced segmentation and classification strategies, ultimately contributing to more reliable and scalable pavement damage assessment systems.