Nuevos métodos de aprendizaje estadístico para analizar mejor datos satelitales de observación de la Tierra
Gustau Camps-Valls, coordinador del proyecto financiado con fondos europeos SEDAL y profesor de Ingeniería Eléctrica en la Universidad de Valencia, comenta: «Los métodos actuales no pueden procesar de manera eficiente las características particulares de los datos de teledetección. Este problema se hace más patente con los servicios operativos de los satélites Sentinel del programa Copernicus y, hoy día, nos enfrentamos a la necesidad urgente de procesar y comprender grandes cantidades de datos estructurados, complejos, heterogéneos y de múltiples fuentes en la vigilancia de los rápidos cambios que ya están ocurriendo en la Tierra».
Algoritmos y métodos para mejorar la modelización y la comprensión de los sistemas terrestres
En conjunto, SEDAL busca introducir la próxima generación de métodos automáticos de inferencia para el análisis de datos de OT. Desarrollará métodos de regresión avanzados para mejorar la eficiencia y la precisión de las predicciones, cuantificar adecuadamente las incertidumbres, codificar el conocimiento físico sobre el problema y obtener modelos autoexplicativos entrenados con datos empíricos. Camps-Valls explica: «Sin embargo, no basta con unos mejores modelos predictivos: queremos dilucidar relaciones causales a partir de los datos de OT para poder comparar los modelos actuales con las observaciones o probar hipótesis. Este es un campo apasionante que aún está dando sus primeros pasos, pero con nuevos métodos y con algunas suposiciones poco estrictas, podemos descartar correlaciones falsas y aprender cómo está funcionando realmente el sistema y, en último término, cambiando». Hasta la fecha, el equipo de SEDAL ha desarrollado muchos algoritmos nuevos que incorporan conocimientos previos y son congruentes con las leyes más fundamentales de la física. Estos modelos mejoran las predicciones del rendimiento de los cultivos, vigilan el estado de la vegetación, la atmósfera y las masas de agua, y detectan y caracterizan mejor cambios y anomalías, por ejemplo, debido a perturbaciones como las olas de calor y las sequías. Los modelos pueden combinar ahora información procedente de diferentes sensores y escalar hasta los supuestos actuales de datos masivos. «Descubrir la causalidad a partir tan solo de datos de OT es un objetivo más complejo y ambicioso para el que hemos desarrollado algoritmos que podrían permitirnos detectar relaciones causa-efecto», continúa Camps-Valls.
Productos de observación para todos
Varias organizaciones, empresas y usuarios han mostrado interés en las herramientas desarrolladas por SEDAL. La Universidad de Valencia ha establecido vínculos estrechos con la Agencia Espacial Europea y la Organización Europea para la Explotación de Satélites Meteorológicos para aprovechar al máximo los conceptos y herramientas de SEDAL a fin de mejorar la vigilancia de la Tierra. La universidad también ha puesto en práctica varios métodos en Google Cloud Platform para mejorar la eficiencia de los modelos. Camps-Valls añade: «Desde las agencias geográficas y meteorológicas hasta las organizaciones no gubernamentales, una comunidad mucho más amplia se beneficiará de estos desarrollos. Esta comunidad utiliza y adopta una mayor precisión en el cálculo de las variables climáticas esenciales clave como la temperatura, el contenido de clorofila o la humedad del suelo, unas estimaciones de incertidumbre y errores más creíbles, y modelos de aprendizaje automático más explicativos». Y concluye: «La visión a largo plazo de SEDAL está ligada a la apertura de nuevas fronteras y al fomento de la investigación hacia algoritmos capaces de descubrir conocimientos a partir de datos de OT, un paso intermedio previo de alcanzar el objetivo más ambicioso a largo plazo del razonamiento automático del cambio climático antropogénico».
Palabras clave
SEDAL, OT, clima, datos de OT, algoritmos, observación de la Tierra, modelos de aprendizaje automático, teledetección
