La inteligencia artificial rastrea la huella humana en nuestro planeta
Los datos de observación de la Tierra proporcionan información sobre la superficie terrestre, la atmósfera y los océanos. Estos datos suelen recopilarse a partir de diversas fuentes y plataformas mediante el uso de tecnologías de teledetección, como satélites, aviones, drones y sensores terrestres. Los datos de observación de la Tierra desempeñan un papel fundamental en la comprensión y vigilancia del medio ambiente, la meteorología, el cambio climático y el uso del suelo terrestre. Para poder alcanzar los Objetivos de Desarrollo Sostenible (ODS) marcados por las Naciones Unidas y lograr un futuro mejor y sostenible para todos, es necesario realizar mediciones más precisas de los indicadores medioambientales que incluyan el uso y la ocupación del suelo. La resolución espacial y la frecuencia temporal de estas mediciones son fundamentales para detectar cambios que nos proporcionen una imagen completa de las actividades que modifican la superficie terrestre, como la expansión urbana y la deforestación.
El uso de la IA para cartografiar la ocupación y el uso del suelo
Para mejorar los procesos de vigilancia y comprender el impacto del ser humano en nuestro planeta, el equipo del proyecto RapidAI4EO, financiado con fondos europeos, ha combinado la teledetección con los avances en IA. El objetivo era automatizar el proceso cartográfico de actualización de la ocupación del suelo para obtener información a tiempo y contribuir así a una gestión eficaz del medio ambiente y la sostenibilidad. «Nuestro propósito era ofrecer soluciones continuas de observación y cartografía con el fin de estar mejor preparados y poder afrontar las posibles consecuencias de las actividades humanas sobre el planeta y su clima», afirma Annett Wania, coordinadora técnica de Planet Labs. Para que los modelos de IA detecten rápidamente los cambios, deben entrenarse utilizando secuencias de imágenes tomadas en momentos frecuentes y a partir de distintos sensores. Como no existen conjuntos de datos que satisfagan todos estos requisitos, en el consorcio RapidAI4EO se ha desarrollado el corpus RapidAI4EO, un conjunto de datos de entrenamiento que contiene imágenes tomadas por satélites de alrededor de medio millón de lugares distribuidos por toda Europa.
Una nueva fuente detallada de imágenes terrestres
Las imágenes utilizadas para crear el corpus RapidAI4EO se extrajeron de los sitios web —ambos de carácter público— correspondientes al Copernicus constellation Sentinel-2 y al producto comercial de imágenes Planet Fusion. El corpus RapidAI4EO, formado por densas series temporales de imágenes satelitales, es el principal resultado del equipo del proyecto y es accesible a toda la comunidad de teledetección bajo el sello Source Cooperative, la nueva herramienta de publicación de datos en la nube de Radiant Earth. Este detallado conjunto de datos de imágenes proporciona una visión inaudita sobre las características espaciales y temporales del uso y la ocupación del suelo en el continente. A su vez, es un recurso inestimable para entrenar algoritmos de aprendizaje automático y aprendizaje profundo, pues permite aprovechar todo el potencial de las fuentes de datos combinadas. El corpus RapidAI4EO, dadas sus imágenes multimodales y multirresolución, su muestreo geográficamente diverso y sus densas series temporales, ofrece una opción mejorada para las tareas de observación de la Tierra. Todo ello ha permitido a los científicos desarrollar soluciones orientadas a la cartografía de la ocupación del suelo y la detección de cambios que superan entre diez y veinte veces la resolución espacial del inventario CORINE de la cubierta terrestre y permiten proporcionar actualizaciones trimestrales.
Hacia soluciones cartográficas más integradas
En general, en el proyecto RapidAI4EO se han realizado notables mejoras en los métodos y prototipos empleados para la vigilancia terrestre, al aprovechar las últimas tendencias en materia de aprendizaje automático y flujos de datos procedentes de múltiples constelaciones de satélites. Los métodos y prototipos desarrollados en el marco del proyecto RapidAI4EO sirven como pilares fundamentales que pueden combinarse e integrarse para crear soluciones cartográficas más eficientes, mejoradas y evolutivas que respondan a las diversas necesidades y requisitos de los usuarios. «Al aprovechar los puntos fuertes de cada método y capitalizar sus capacidades complementarias, es posible desarrollar un sistema de vigilancia terrestre completo y sólido que ofrezca mayor precisión, puntualidad y escalabilidad», subraya Wania. Ofrecer capacidades de observación y cartografía continuas atesora un enorme potencial a la hora de ayudar a comprender y abordar las posibles consecuencias de las actividades humanas sobre la Tierra y su clima.
Palabras clave
RapidAI4EO, datos de observación de la Tierra, imágenes de satélite, uso del suelo, ocupación del suelo, detección de cambios, IA, aprendizaje automático, aprendizaje profundo
