Para ambas imágenes, podemos ver las predicciones de YOLO. Cada caja roja indica la presencia de un árbol seguida de la certeza de su predicción (valor de 0 a 1, como probabilidad).
5. Cálculo de altura y estimación de umbral
En este paso, recopilamos la información procesada por los módulos anteriores para primero calcular el vector de dirección de la sombra, que es consistente para todos los árboles en la imagen. A continuación, determinamos el punto más lejano identificado como sombra por nuestro modelo ResNet que corresponde al árbol que estamos analizando.
Esto se logra aprovechando los datos de la caja delimitadora del modelo YOLO. Comenzamos calculando la caja que define la línea diagonal del árbol. Para cada punto a lo largo de esta diagonal, trazamos una línea siguiendo la dirección de la sombra. Extendemos la línea hasta que intersecte un punto que esté clasificado como algo que no sea una sombra, marcando esta posición. Este proceso ayuda a identificar el punto más lejano de la sombra del árbol, contribuyendo a mediciones más precisas de su extensión e impacto potencial en la infraestructura cercana.
Después de completar este proceso, tendremos una lista de coordenadas que representan los puntos más lejanos de la sombra del árbol. De esta lista, simplemente seleccionamos la coordenada que maximiza la distancia desde el centroide del árbol. Dependiendo del área geográfica y el tipo de árboles comunes en la región, podemos ajustar este método para usar diferentes métricas de distancia, optimizando la precisión para condiciones ambientales específicas. Este paso asegura que tengamos en cuenta el alcance máximo potencial de la sombra del árbol, mejorando la precisión de nuestra evaluación de riesgo de la vegetación.
Finalmente, con la longitud de la sombra determinada, podemos convertirla a metros utilizando la información de los metadatos de la imagen para calcular la altura real del árbol. Esto se puede hacer usando la fórmula:
H = L’ * tan(θ), donde H representa la altura del árbol, L’ es la longitud de la sombra y θ es el ángulo de elevación del Sol.
Dado que estamos monitoreando sistemas de cables, es esencial considerar que los cables forman una curva catenaria. Esta curva hace que los cables se comben entre las torres de soporte, con el punto más bajo típicamente ubicado cerca del centro del vano. Para garantizar una distancia segura entre los cables y la vegetación circundante, podemos calcular la altura en el punto más bajo del cable y compararla con las alturas de los árboles cercanos. Por ejemplo, podemos establecer un umbral, como verificar si la altura de algún árbol supera el 70% de la altura más baja del cable.
Monitorear las alturas de los árboles es crucial para la gestión efectiva de los sistemas de cables eléctricos. Al medir con precisión las alturas de los árboles, las empresas de servicios públicos pueden garantizar que la vegetación permanezca dentro de las zonas de seguridad alrededor de las líneas eléctricas, ayudando a prevenir posibles cortes de energía y peligros de seguridad causados por el contacto con la infraestructura.
Conclusión
Los resultados prometedores de las pruebas iniciales de nuestra aplicación TreeSight validan la efectividad de nuestro enfoque. Estamos avanzando constantemente hacia la finalización de la industrialización de la aplicación en un futuro cercano. Hemos identificado varios aspectos en diferentes áreas para desarrollar aún más nuestra aplicación, incluyendo:
- Filtro NDVI en intervalo de tiempo: Implementar el filtro NDVI en diferentes fechas nos permite monitorear los cambios en la vegetación a lo largo del tiempo e interpolar su tasa de crecimiento. Al rastrear estas variaciones, podemos predecir mejor la rapidez con la que la vegetación se acerca a infraestructuras críticas, permitiendo una gestión más proactiva e intervenciones oportunas.
- Más datos: La disponibilidad de datos sigue siendo un desafío, pero aumentar el número de imágenes, tanto mediante aumentación de datos como la recopilación de datos reales, mejoraría significativamente la precisión de las predicciones de nuestro modelo. Ampliar el conjunto de datos permitiría a las redes neuronales aprender de manera más efectiva, lo que resultaría en resultados más precisos y fiables.
- Elevación del terreno: Integrar datos topográficos que proporcionen información precisa sobre la elevación del terreno al medir sombras puede reducir significativamente los errores, especialmente en terrenos irregulares o montañosos. Estos datos adicionales ayudan a tener en cuenta los cambios de elevación, lo que lleva a cálculos de altura más precisos y mejora la precisión general en el monitoreo de la vegetación.
- Diferentes modelos/enfoques: Como se detalló anteriormente, primero realizamos una segmentación semántica para asignar cada píxel a una clase determinada. Para el cálculo de la sombra de cada árbol, necesitamos conocer la ubicación de cada árbol en la imagen, de ahí la detección de objetos utilizando YOLO. Elegimos este enfoque porque ya teníamos disponible el pipeline de entrenamiento y el modelo para la segmentación semántica. Otro enfoque para lograr un resultado similar podría ser configurar una segmentación panóptica utilizando, por ejemplo, Detectron2.
TreeSight demuestra el potencial significativo de aplicar tecnologías avanzadas para abordar desafíos complejos relacionados con infraestructuras críticas, aprovechando los datos de Observación de la Tierra y algoritmos de vanguardia. Su capacidad para analizar vastos conjuntos de datos con precisión no solo mejora la eficiencia operativa, sino que también mejora la seguridad y fiabilidad en la gestión de infraestructuras. Esto destaca el papel transformador que la tecnología puede desempeñar en la resolución de problemas complejos a gran escala en sectores críticos.
Sobre Cactus
El equipo de Cactai, un equipo apasionado por el espacio, está listo para explorar más a fondo su caso de uso y adaptar una solución basada en EO para satisfacer sus necesidades específicas. Ya sea que busque optimizar procesos, integrar tecnologías avanzadas o innovar dentro de su industria, estamos aquí para colaborar con usted en cada paso del camino. Nuestro objetivo es garantizar que sus objetivos se cumplan con precisión y excelencia, proporcionando la experiencia y el apoyo necesarios para alcanzar el éxito.
Como describimos en nuestro artículo anterior, la Observación de la Tierra (EO) es una tecnología clave en constante evolución que reúne, recopila y extrae información valiosa y procesable de imágenes de la superficie terrestre tomadas por satélites que orbitan a cientos de kilómetros. En esta nota técnica, detallaremos cómo el equipo de Cactus ha diseñado y desarrollado una solución para monitorear líneas eléctricas utilizando datos de EO. En esta nota técnica colaborativa, nuestros colegas Alejandro Trujillo, Ingeniero de IA, Torsten Reidt, Ingeniero Líder de IA, y José Laffitte, Director de Ingeniería de Cactus, ofrecen información sobre los obstáculos y las soluciones encontradas en el camino. Nuestro enfoque innovador aprovecha tecnologías avanzadas de Observación de la Tierra para gestionar eficazmente los riesgos de la vegetación, mejorar la seguridad y garantizar la fiabilidad de la infraestructura energética.
Cómo utiliza Cactus los datos de EO para monitorear infraestructuras
En Cactus, hemos diseñado una herramienta llamada TreeSight que, al alimentarse con imágenes satelitales, permite monitorear infraestructuras críticas como las líneas eléctricas.
El Desafío
La vegetación cerca de las líneas eléctricas plantea importantes riesgos de seguridad, incluyendo el riesgo de cortes de energía, incendios y peligros eléctricos/de seguridad.
Gestionar estos riesgos a menudo requiere la poda o eliminación de árboles, lo que puede generar conflictos por preocupaciones ambientales y estéticas. Las empresas energéticas deben equilibrar el mantenimiento de un suministro eléctrico fiable con el cumplimiento de las regulaciones y las expectativas de la comunidad, especialmente a medida que el cambio climático aumenta la frecuencia de eventos climáticos severos. Los mecanismos más comunes para monitorear las líneas eléctricas en la actualidad implican el uso de helicópteros y drones equipados con tecnología LiDAR. Si bien estos métodos ofrecen capacidades avanzadas para capturar datos topográficos detallados e identificar problemas potenciales como la invasión de vegetación o daños estructurales, también conllevan desafíos significativos. Si bien el LiDAR es efectivo, es costoso y logísticamente complicado. Las inspecciones con helicóptero son caras debido a los costos asociados con la operación de la aeronave, el combustible y la tripulación. También ofrecen una cobertura limitada, requiriendo múltiples vuelos para cubrir redes extensas, lo que puede verse obstaculizado por las condiciones climáticas y el terreno difícil; de hecho, en la campaña de verano de 2024, Endesa gastó 2,5 millones de euros solo en monitorear la infraestructura de cable eléctrico en Cádiz, ascendiendo a unos 26 millones para Andalucía en su conjunto.
Adicionalmente, la necesidad de operadores cualificados y los riesgos potenciales de volar sobre terrenos difíciles o áreas pobladas complican aún más la implementación. Estos factores destacan la necesidad de soluciones de monitoreo más rentables y escalables en la industria eléctrica.
Las inspecciones terrestres, que implican que equipos inspeccionen las líneas eléctricas a pie o en vehículo, requieren mucha mano de obra y plantean riesgos de seguridad para los inspectores.
Los satélites presentan una alternativa convincente al ofrecer una solución más rentable y escalable para monitorear líneas eléctricas. A diferencia de los helicópteros, los satélites pueden cubrir vastas áreas en una sola pasada, reduciendo significativamente los costos operativos. Una vez en órbita, proporcionan una recopilación continua de datos sin necesidad de costosas operaciones aéreas continuas. Los satélites equipados con sensores ópticos de alta resolución pueden capturar imágenes detalladas de las líneas eléctricas, permitiendo la detección de problemas como la invasión de vegetación o daños estructurales. Además, el Radar de Apertura Sintética (SAR) en los satélites puede detectar desplazamientos del suelo y cambios, ayudando a identificar problemas potenciales con los soportes de las líneas eléctricas o la infraestructura.
Se han explorado varias soluciones para abordar este problema, pero se enfrentan a desafíos como la resolución de imagen insuficiente (que requiere < 5 metros) o la falta de precisión en las predicciones. Algunas de estas alternativas implican procesar vastas cantidades de imágenes satelitales (por ejemplo, Sentinel-2) y correlacionar sus patrones de brillo en los píxeles con las mediciones tomadas a través de LiDAR. El algoritmo luego aprende a asociar ciertos patrones texturales y espectrales en las imágenes con alturas específicas del dosel vegetal. Una vez entrenado, el modelo se basa únicamente en imágenes ópticas para estimar la altura del dosel.
Nuestra solución, llamada TreeSight, adopta un enfoque diferente y garantiza la escalabilidad y precisión de la aplicación manteniendo la alta fiabilidad de la información.
Nuestra solución: TreeSight
Profundicemos en la solución que nuestro equipo de expertos ha diseñado y desarrollado para resolver el desafío: Hemos seleccionado los satélites Pleiades para proporcionar las imágenes que estamos utilizando en nuestro análisis. Uno de los criterios principales es su alta resolución, que alcanza los 0,5 metros por píxel, aunque algunos satélites lanzados recientemente prometen mejorarlo aún más, como el Sentinel 2c.
TreeSight procesa datos satelitales para calcular el índice NDVI de una región determinada, que se utiliza para detectar la presencia de árboles. Luego determina tres parámetros clave: la posición del árbol, la longitud de la sombra y el vector de dirección. Al incorporar la hora exacta en que se capturó la imagen y considerar factores como la región en estudio, nuestro software estima indicadores críticos para evaluar si existe un riesgo potencial (el riesgo se refiere a la amenaza que representa la vegetación, como los árboles, al crecer demasiado cerca de las líneas eléctricas) en un área determinada. Al cotejar estos datos con las ubicaciones de las líneas eléctricas, los operadores pueden identificar áreas específicas que requieren mantenimiento para mitigar los riesgos relacionados con la vegetación.
Desde una perspectiva arquitectónica, nuestra aplicación está organizada en múltiples módulos, como se ilustra en la siguiente figura. Cada módulo está diseñado para manejar funciones específicas, asegurando que el sistema sea escalable y eficiente. Este enfoque modular permite una mejor gestión, desarrollo y mantenimiento, facilitando actualizaciones e integración de nuevas funcionalidades según sea necesario. Al segmentar la aplicación en componentes distintos, podemos optimizar el rendimiento y garantizar que cada módulo opere de forma independiente, contribuyendo a la fiabilidad y flexibilidad general del sistema.
Centrémonos ahora en cada uno de los módulos principales representados arriba:
1. Índice de Vegetación de Diferencia Normalizada – NDVI
El mapeo NDVI es una técnica poderosa utilizada en EO para evaluar y monitorear la salud y cobertura de la vegetación. El NDVI es un índice de teledetección derivado de imágenes satelitales que mide la salud y densidad de la vegetación. Se calcula utilizando los valores de reflectancia de 2 bandas espectrales específicas, la banda del infrarrojo cercano y la banda roja, la primera porque la vegetación refleja fuertemente la luz infrarroja cercana, y la segunda para cuantificar la absorción de la luz roja durante la fotosíntesis.
Este método es altamente eficiente para identificar vegetación en vastas áreas, pero su precisión es insuficiente cuando se trata de monitorear sistemas eléctricos. Además, diferentes especies de plantas emiten niveles variables de radiación durante la fotosíntesis, lo que dificulta establecer un umbral consistente para detectar posibles colisiones con las líneas eléctricas. Estas limitaciones dificultan su efectividad para evaluar con precisión los riesgos relacionados con la vegetación para infraestructuras críticas.
Sin embargo, este método sigue siendo muy valioso para identificar áreas libres de vegetación, lo que nos permite centrarnos en zonas que no requieren inspección. En este caso, podemos establecer un umbral fiable. Al fijar una constante, podemos excluir con confianza las regiones donde la vegetación no es lo suficientemente alta como para representar un riesgo para el sistema eléctrico. El umbral se calibra para que sea lo suficientemente bajo como para garantizar que no haya árboles altos, pero lo suficientemente alto como para eliminar la mayor cantidad de espacio innecesario posible. Esta constante puede variar según la zona geográfica que se esté monitoreando y sus condiciones climáticas o ambientales específicas, optimizando la eficiencia del proceso de monitoreo.
En ambas figuras, observamos el sistema de líneas de cable eléctrico. En el mapa de Cubillas, se indica un umbral: las áreas que pueden excluirse de la inspección se marcan en naranja, mientras que las que requieren verificación se muestran en negro. En el mapa de Sierra Morena, vemos el valor promedio de NDVI para cada píxel junto con el sistema de líneas de cable rojo. El gradiente de color refleja los valores de NDVI: las áreas marrones indican valores más cercanos a -1, que representan vegetación escasa o nula, mientras que las áreas más verdes indican valores más cercanos a +1, que representan vegetación más densa.
2. Entrenamiento de una Red Neuronal Residual para detectar sombras y árboles
Después de aplicar nuestro filtro NDVI, que descarta una porción significativa del área total, podemos identificar las zonas específicas que necesitan una inspección más detallada. En esta etapa, debemos entrenar nuestra red neuronal para identificar con precisión tanto sombras como árboles dentro de estas zonas. Este entrenamiento permitirá al sistema distinguir características críticas y mejorar la precisión del monitoreo de la vegetación, asegurando que las áreas que representan riesgos potenciales para el sistema eléctrico sean detectadas y abordadas con precisión.
Como se mencionó anteriormente, decidimos utilizar imágenes de los satélites Pleiades, ya que permiten un bajo tiempo de revisita y una resolución de imagen muy alta, ambos realmente útiles para verificar periódicamente cómo está creciendo la vegetación y para ayudar a nuestra red a identificar los árboles de una manera más fácil.
Los satélites Pleiades proporcionan imágenes ortorrectificadas, que eliminan el error que podríamos cometer al no tener en cuenta la posición del satélite. También decidimos utilizar una Resnet, ya que ha demostrado un rendimiento de vanguardia en tareas de segmentación de imágenes. La capacidad de ResNet para manejar eficazmente características de imagen complejas y redes profundas la hace ideal para identificar y segmentar con precisión árboles y sombras en nuestro conjunto de datos, mejorando aún más la precisión de nuestro sistema de monitoreo de vegetación.
El proceso de entrenamiento consiste en un gran número de imágenes tomadas por satélites Pleiades en diferentes zonas, y sus máscaras de segmentación, la verdad terreno para sombras y árboles. Este proceso consume mucho tiempo, ya que requiere un gran número de imágenes junto con sus máscaras de segmentación correspondientes. La creación de estas máscaras es una tarea manual y laboriosa, aunque algunas aplicaciones pueden ayudar en el proceso de generación de máscaras. A pesar de estas herramientas, el esfuerzo general involucrado en la preparación y el etiquetado de los datos sigue siendo significativo, añadiendo complejidad al entrenamiento de la red neuronal.
Una vez que la red está entrenada, se puede utilizar para la inferencia. Tomará una imagen ortorrectificada, preferiblemente de los satélites Pleiades para una mayor precisión de reconocimiento, y generará tres imágenes de probabilidad de clase, cada una correspondiente a un atributo específico. Estas imágenes tendrán las mismas dimensiones que la imagen de entrada y representarán la probabilidad de que cada píxel pertenezca a una de tres clases: la segunda imagen indicará la probabilidad de que el píxel sea una sombra, la tercera representará la probabilidad de que sea un árbol, y la cuarta representará la probabilidad de que no sea ni un árbol ni una sombra.
A cada píxel se le asigna un valor de probabilidad entre 0 y 1, que indica la certeza del modelo sobre la clasificación del píxel. En las imágenes de salida, estos valores se visualizan utilizando un espectro de color desde azul (0) hasta amarillo (1), donde el azul indica menor certeza y el amarillo representa mayor certeza.
A continuación, estableceremos un umbral para producir una imagen final que clasifique cada píxel como sombra, árbol o fondo. Esta clasificación permite mediciones altamente precisas de la distancia entre las sombras y el centroide de los árboles, mejorando la precisión del monitoreo de la vegetación cerca de infraestructuras críticas.
La primera imagen de cada fila representa la imagen original procesada por el modelo ResNet, la segunda muestra la presencia predicha de sombras, la tercera imagen resalta la presencia de árboles, y la cuarta imagen indica áreas donde no hay ni árbol ni sombra. Estas predicciones codificadas por colores permiten una visualización clara de la salida del modelo y ayudan a identificar las regiones respectivas dentro del área analizada.
3. Calculadora de dirección de sombra
Aunque no es estrictamente necesario, conocer el vector de dirección de la sombra puede mejorar significativamente la precisión de nuestras estimaciones. Varias aplicaciones, como SunEarthTools, pueden calcular la posición del Sol en un lugar y hora específicos, o podemos calcularlo manualmente determinando el ángulo de azimut solar, que representa la posición del Sol en relación con el norte verdadero. La sombra caerá directamente opuesta a este ángulo.
Las ecuaciones requeridas están fácilmente disponibles, pero, en resumen, solo necesitamos determinar el ángulo de elevación solar (a menudo se encuentra en los metadatos de la imagen), el ángulo horario local, el ángulo de declinación solar (fácil de calcular) y la zona geográfica donde queremos calcular las coordenadas de dirección de la sombra. Al incorporar estos datos, podemos estimar mejor la orientación precisa de la sombra, lo que conduce a un monitoreo y medición más precisos.
4. Red Neuronal para el geoposicionamiento de árboles
Utilizamos YOLO (You Only Look Once), un algoritmo de detección de objetos en tiempo real que procesa una imagen para identificar y localizar objetos de manera rápida y precisa. Lo entrenamos de la misma manera que entrenamos el modelo ResNet mencionado en el punto 2, pero, en lugar de usar máscaras de segmentación, necesitábamos crear una lista de cajas delimitadoras para cada árbol.
Es útil en nuestro caso porque proporciona una instancia para cada árbol, permitiéndonos calcular la altura de cada árbol uno por uno y ayudando a identificarlos en caso de que una multitud de árboles esté demasiado cerca unos de otros.
Este también es un proceso que consume mucho tiempo, pero podemos acelerarlo calculando simplemente los límites de las máscaras de segmentación de árboles creadas en la red neuronal anterior.
Después de entrenar nuestro modelo YOLO, tendremos una lista con el centroide de cada árbol. Con el propósito de calcular la altura de cada árbol individual, se hace una suposición: el centro de la caja es el centro del árbol, lo que puede no ser preciso en todos los casos. Este es, por lo tanto, un aspecto para mejorar más allá de este MVP (Producto Mínimo Viable), ya que se pueden aplicar diferentes métodos para paliar el error potencial, como calcular la distancia no al centroide, sino a la línea que interseca con el centroide y es perpendicular a la dirección de la sombra.
Para ambas imágenes, podemos ver las predicciones de YOLO. Cada caja roja indica la presencia de un árbol seguida de la certeza de su predicción (valor de 0 a 1, como probabilidad).
5. Cálculo de altura y estimación de umbral
En este paso, recopilamos la información procesada por los módulos anteriores para primero calcular el vector de dirección de la sombra, que es consistente para todos los árboles en la imagen. A continuación, determinamos el punto más lejano identificado como sombra por nuestro modelo ResNet que corresponde al árbol que estamos analizando.
Esto se logra aprovechando los datos de la caja delimitadora del modelo YOLO. Comenzamos calculando la caja que define la línea diagonal del árbol. Para cada punto a lo largo de esta diagonal, trazamos una línea siguiendo la dirección de la sombra. Extendemos la línea hasta que intersecte un punto que esté clasificado como algo que no sea una sombra, marcando esta posición. Este proceso ayuda a identificar el punto más lejano de la sombra del árbol, contribuyendo a mediciones más precisas de su extensión e impacto potencial en la infraestructura cercana.
Después de completar este proceso, tendremos una lista de coordenadas que representan los puntos más lejanos de la sombra del árbol. De esta lista, simplemente seleccionamos la coordenada que maximiza la distancia desde el centroide del árbol. Dependiendo del área geográfica y el tipo de árboles comunes en la región, podemos ajustar este método para usar diferentes métricas de distancia, optimizando la precisión para condiciones ambientales específicas. Este paso asegura que tengamos en cuenta el alcance máximo potencial de la sombra del árbol, mejorando la precisión de nuestra evaluación de riesgo de la vegetación.
Finalmente, con la longitud de la sombra determinada, podemos convertirla a metros utilizando la información de los metadatos de la imagen para calcular la altura real del árbol. Esto se puede hacer usando la fórmula:
H = L’ * tan(θ), donde H representa la altura del árbol, L’ es la longitud de la sombra y θ es el ángulo de elevación del Sol.
Dado que estamos monitoreando sistemas de cables, es esencial considerar que los cables forman una curva catenaria. Esta curva hace que los cables se comben entre las torres de soporte, con el punto más bajo típicamente ubicado cerca del centro del vano. Para garantizar una distancia segura entre los cables y la vegetación circundante, podemos calcular la altura en el punto más bajo del cable y compararla con las alturas de los árboles cercanos. Por ejemplo, podemos establecer un umbral, como verificar si la altura de algún árbol supera el 70% de la altura más baja del cable.
Monitorear las alturas de los árboles es crucial para la gestión efectiva de los sistemas de cables eléctricos. Al medir con precisión las alturas de los árboles, las empresas de servicios públicos pueden garantizar que la vegetación permanezca dentro de las zonas de seguridad alrededor de las líneas eléctricas, ayudando a prevenir posibles cortes de energía y peligros de seguridad causados por el contacto con la infraestructura.
Conclusión
Los resultados prometedores de las pruebas iniciales de nuestra aplicación TreeSight validan la efectividad de nuestro enfoque. Estamos avanzando constantemente hacia la finalización de la industrialización de la aplicación en un futuro cercano. Hemos identificado varios aspectos en diferentes áreas para desarrollar aún más nuestra aplicación, incluyendo:
- Filtro NDVI en intervalo de tiempo: Implementar el filtro NDVI en diferentes fechas nos permite monitorear los cambios en la vegetación a lo largo del tiempo e interpolar su tasa de crecimiento. Al rastrear estas variaciones, podemos predecir mejor la rapidez con la que la vegetación se acerca a infraestructuras críticas, permitiendo una gestión más proactiva e intervenciones oportunas.
- Más datos: La disponibilidad de datos sigue siendo un desafío, pero aumentar el número de imágenes, tanto mediante aumentación de datos como la recopilación de datos reales, mejoraría significativamente la precisión de las predicciones de nuestro modelo. Ampliar el conjunto de datos permitiría a las redes neuronales aprender de manera más efectiva, lo que resultaría en resultados más precisos y fiables.
- Elevación del terreno: Integrar datos topográficos que proporcionen información precisa sobre la elevación del terreno al medir sombras puede reducir significativamente los errores, especialmente en terrenos irregulares o montañosos. Estos datos adicionales ayudan a tener en cuenta los cambios de elevación, lo que lleva a cálculos de altura más precisos y mejora la precisión general en el monitoreo de la vegetación.
- Diferentes modelos/enfoques: Como se detalló anteriormente, primero realizamos una segmentación semántica para asignar cada píxel a una clase determinada. Para el cálculo de la sombra de cada árbol, necesitamos conocer la ubicación de cada árbol en la imagen, de ahí la detección de objetos utilizando YOLO. Elegimos este enfoque porque ya teníamos disponible el pipeline de entrenamiento y el modelo para la segmentación semántica. Otro enfoque para lograr un resultado similar podría ser configurar una segmentación panóptica utilizando, por ejemplo, Detectron2.
TreeSight demuestra el potencial significativo de aplicar tecnologías avanzadas para abordar desafíos complejos relacionados con infraestructuras críticas, aprovechando los datos de Observación de la Tierra y algoritmos de vanguardia. Su capacidad para analizar vastos conjuntos de datos con precisión no solo mejora la eficiencia operativa, sino que también mejora la seguridad y fiabilidad en la gestión de infraestructuras. Esto destaca el papel transformador que la tecnología puede desempeñar en la resolución de problemas complejos a gran escala en sectores críticos.
Sobre Cactus
El equipo de Cactai, un equipo apasionado por el espacio, está listo para explorar más a fondo su caso de uso y adaptar una solución basada en EO para satisfacer sus necesidades específicas. Ya sea que busque optimizar procesos, integrar tecnologías avanzadas o innovar dentro de su industria, estamos aquí para colaborar con usted en cada paso del camino. Nuestro objetivo es garantizar que sus objetivos se cumplan con precisión y excelencia, proporcionando la experiencia y el apoyo necesarios para alcanzar el éxito.
