En el mundo actual en rápida evolución, la recopilación y el análisis de grandes cantidades de datos es crucial para la toma de decisiones informada. Los datos de Observación de la Tierra (EO), con su notable versatilidad, desempeñan un papel fundamental al proporcionar información valiosa en múltiples industrias, desde la monitorización ambiental hasta la planificación urbana y más allá. Como explica José Laffitte, Director de Ingeniería de Cactus y autor de este artículo: «Los datos de EO son increíblemente versátiles y se utilizan para mejorar la comprensión y la toma de decisiones en diversos dominios y aplicaciones». Te invitamos a conocer más sobre el impacto transformador de los datos de EO y su amplia gama de aplicaciones.
Una de las aplicaciones más impactantes de los datos de EO se puede observar en la agricultura, donde optimiza las prácticas agrícolas y mejora la productividad. Mediante el análisis de imágenes satelitales y datos de sensores, los agricultores pueden monitorear la salud de los cultivos, evaluar los niveles de humedad del suelo y detectar amenazas potenciales como plagas o enfermedades. Esta información en tiempo real permite un uso más preciso del agua y los fertilizantes, lo que se traduce en mayores rendimientos y un menor impacto ambiental.
En los últimos años, el campo de la EO ha revolucionado la forma en que monitoreamos y gestionamos las infraestructuras. Aprovechando los datos recopilados de satélites, drones y sensores terrestres, la EO proporciona una perspectiva integral y en tiempo real de la superficie terrestre. Esta tecnología es crucial para comprender el estado y el rendimiento de sistemas de infraestructura como carreteras, puentes, tuberías y líneas de cable.
Los datos satelitales incluyen varios tipos de información, como imágenes, radar y datos espectrales, que pueden analizarse para extraer información valiosa sobre el estado físico y ambiental de la Tierra. Dependiendo de la naturaleza del instrumento de detección (ya sea pasivo o activo) y de la longitud de onda del espectro electromagnético en la que se realiza la observación, podemos categorizar los tipos de imágenes según si el instrumento necesita la capacidad de enviar y recibir una señal electromagnética o solo recibirla.
Imágenes pasivas
En los sistemas de imágenes pasivas, los sensores están diseñados para detectar emisiones electromagnéticas de la superficie terrestre y los componentes de la atmósfera. Estas emisiones pueden originarse localmente, como la radiación de la vegetación durante el proceso de fotosíntesis, o ser el resultado de la luz solar reflejada en el espectro visible. Dado que las imágenes pasivas dependen de fuentes de luz natural, típicamente dependen del ciclo día-noche y pueden verse obstaculizadas por factores como la cobertura de nubes u otras perturbaciones atmosféricas que obstruyen la detección de emisiones superficiales. En los sistemas de imágenes pasivas, se pueden generar varios tipos de imágenes basadas en los diferentes segmentos del espectro electromagnético, entre otros:
- Imágenes pancromáticas: resultado de la medición de la intensidad de la luz en un amplio rango del espectro electromagnético. Recoger luz de una amplia gama de longitudes de onda permite captar más energía y, por lo tanto, obtener imágenes de alta resolución. De esta manera, podemos generar imágenes del espectro visible mostradas en escala de grises o, utilizando sensores infrarrojos térmicos, podemos medir regiones donde el suelo o el océano están calientes, ya que emitirán la radiación más intensa. Proporciona mejor resolución que las imágenes multiespectrales.
Imágenes multiespectrales: resultado de la teledetección de una escena observada utilizando varias bandas estrechas del espectro electromagnético. Dado que el rango de longitudes de onda que contribuyen a la energía de radiación detectada por el sensor se reduce, las imágenes multiespectrales tendrán una resolución más baja que las imágenes pancromáticas. Un uso común es la producción de «color natural» combinando las mediciones en 3 bandas del espectro visible (bandas estrechas centradas alrededor de las longitudes de onda azul, verde y roja).
Imágenes hiperespectrales: para cada píxel, un sensor hiperespectral adquiere la intensidad de la luz para un gran número (generalmente de unas pocas decenas a algunos cientos) de bandas espectrales estrechas contiguas. Cada píxel en la imagen se adjunta entonces a un espectro casi continuo. La alta resolución espectral de una imagen hiperespectral permite la detección, identificación y cuantificación de materiales superficiales, así como inferir procesos biológicos y químicos.
Imágenes activas
En los sistemas de imágenes activas, los instrumentos se componen de un transmisor que envía una señal electromagnética específica y un sensor que recibe la interacción de la señal enviada con la superficie terrestre. Debido a esto, tales observaciones no dependen de la iluminación solar.
- SAR (Radar de apertura sintética): este instrumento transmite pulsos electromagnéticos hacia la superficie terrestre, donde son reflejados o dispersados por las características de la superficie. La antena puede detectar y registrar los pulsos devueltos; su intensidad y el tiempo que tardan en regresar a la antena se utilizan para generar imágenes SAR. La principal ventaja del SAR es que no es sensible al ciclo día/noche y a la mayoría de las condiciones meteorológicas (las células de lluvia intensa pueden perturbarlo). Las imágenes SAR pueden utilizarse, por ejemplo, para la detección de barcos, infraestructuras críticas o la detección de vertidos de petróleo.
- Lidar (Detección y Rango de Luz): utiliza el mismo principio que el SAR pero funciona en longitudes de onda infrarrojas, visibles o ultravioleta. Los lidars se utilizan para la medición precisa de características topográficas, perfilado de nubes y medición de vientos, entre otros.
- Altimetría radar: la altimetría radar es un sensor activo que utiliza la capacidad de medición de distancia de los radares para medir el perfil de la topografía superficial a lo largo de la trayectoria del satélite. Proporcionan mediciones precisas de la altura de un satélite sobre el océano midiendo el intervalo de tiempo entre la transmisión y recepción de pulsos electromagnéticos muy cortos. Esto puede ser útil para inferir la topografía oceánica y terrestre, la extensión lateral del hielo marino o la altitud de grandes icebergs sobre el nivel del mar.
- GNSS-R (Reflectometría GNSS): es una categoría relativamente nueva de aplicaciones de navegación por satélite que consiste en un método de teledetección para recibir y procesar señales de microondas reflejadas desde diversas superficies para extraer información sobre ellas. En este proceso, el satélite GNSS actúa como transmisor y un avión o satélite en órbita baja terrestre (LEO) como plataforma receptora. Puede utilizarse, por ejemplo, para la obtención de vientos marinos y la medición de la salinidad del agua de mar o la densidad de la capa de hielo.
- Dispersometría radar: sensor de radar de microondas utilizado para medir el efecto de reflexión o dispersión producido al escanear la superficie terrestre desde un avión o satélite, proporcionando una medida de la velocidad y dirección del viento cerca de la superficie del mar. El dispersómetro radar mide la retrodispersión de las pequeñas olas en la superficie del mar en ángulos de incidencia oblicuos. A partir de estas mediciones de rugosidad del mar se calcula el vector de viento a 10 m de altura; también puede utilizarse para proporcionar información sobre la capa de hielo marino.
Constelaciones
Al hablar de Observación de la Tierra, existe una variedad de constelaciones de satélites y plataformas de datos disponibles, cada una ofreciendo capacidades y servicios únicos. Constelaciones de satélites como Sentinel, Planet, Iceye y Satellogic operan y gestionan distintas constelaciones que proporcionan acceso a diferentes tipos de imágenes y datos.
Por otro lado, plataformas como UP42, el Catálogo de Datos de la ESA y Google Earth Engine agregan y ofrecen acceso simplificado a datos de EO, facilitando la recopilación y análisis de esta información.
Con tantas opciones, los usuarios pueden seleccionar la constelación y plataforma que mejor se adapte a sus necesidades específicas para extraer y analizar datos de EO. Aquí hay una visión general de algunos operadores de satélites y constelaciones notables:
Landsat
Landsat es un programa de observación de la Tierra de larga duración, gestionado conjuntamente por NASA y el Servicio Geológico de EE. UU. (USGS), que ha estado capturando imágenes satelitales de la superficie terrestre desde 1972. Los satélites del programa, equipados con sensores de imagen avanzados, monitorean y documentan continuamente los cambios en el uso del suelo, los ecosistemas y los recursos naturales.
El programa Landsat ha lanzado un total de 9 satélites desde su inicio en 1972. De estos 9, Landsat 8 y Landsat 9 permanecen operativos en el momento de redactar este artículo. Esta fuente de datos consistente y de alta resolución permite a los científicos y responsables políticos estudiar tendencias ambientales a largo plazo, como la deforestación, la urbanización y el cambio climático. Al hacer que estas imágenes sean de libre acceso, Landsat se ha convertido en una herramienta esencial para la investigación ambiental global, la gestión de recursos y la respuesta a desastres.
Sentinel
Los satélites Sentinel forman parte del Programa de Observación de la Tierra Copernicus de la Unión Europea, gestionado por la Agencia Espacial Europea (ESA). Esta constelación proporciona datos de alta calidad y de libre acceso a usuarios de todo el mundo, cubriendo una amplia gama de aplicaciones de EO.
- Sentinel-1: Este satélite utiliza tecnología de Radar de Apertura Sintética (SAR), lo que le permite capturar imágenes independientemente de las condiciones meteorológicas o la luz solar. Es esencial para monitorear movimientos del suelo, inundaciones y deforestación, además de proporcionar imágenes en cualquier condición meteorológica, de día y de noche.
- Sentinel-2: Centrado en imágenes ópticas de alta resolución, Sentinel-2 es crucial para el monitoreo terrestre, incluyendo cambios en la cobertura vegetal, del suelo y del agua. Es ampliamente utilizado en agricultura, silvicultura y gestión de desastres. Está constituido por Sentinel-2A y Sentinel-2B, ambos en la misma órbita pero separados por 180º para optimizar el tiempo de revisita y la cobertura. Sentinel-2C sustituirá a Sentinel-2A, siendo lanzado el 4 de septiembre de 2024, y Sentinel-2D sustituirá a Sentinel-2B en 2028.
- Sentinel-3: Este satélite proporciona datos para la monitorización oceánica y atmosférica. Mide la temperatura de la superficie del mar, el color del océano y las temperaturas de la superficie terrestre, desempeñando un papel vital en la monitorización ambiental y climática.
- Sentinel-5P: Especializado en la composición atmosférica, Sentinel-5P monitorea la calidad del aire y rastrea gases como el ozono y el dióxido de nitrógeno, ayudando a los científicos a comprender la contaminación del aire y su impacto en la salud.
Los satélites Sentinel son reconocidos por sus datos completos y de libre acceso, lo que los hace ampliamente utilizados en la investigación científica y por agencias gubernamentales.
Pleiades
La constelación Pleiades es un sistema satelital de observación de la Tierra de alta resolución operado por Airbus Defense and Space. Forma parte de la familia de satélites de imagen óptica de Airbus y es reconocida por su capacidad para capturar imágenes muy detalladas con resolución submétrica. La constelación Pleiades consta de 2 satélites idénticos, Pleiades 1A y Pleiades 1B, que trabajan juntos para proporcionar imágenes muy precisas y frecuentes de la superficie terrestre.
Son conocidos por su alta resolución espacial, capturando imágenes tanto pancromáticas como multiespectrales con una resolución de 50 cm. Los satélites Pleiades también pueden capturar imágenes estereoscópicas, lo que significa que pueden tomar fotografías de la misma área desde ángulos ligeramente diferentes, permitiendo la creación de modelos 3D e imágenes ortorrectificadas.
También se encuentran en una órbita heliosincrónica, lo que significa que pasan sobre la misma ubicación a la misma hora solar, garantizando condiciones de iluminación consistentes. Juntos, los 2 satélites ofrecen una capacidad de revisita diaria a cualquier punto de la Tierra; también son altamente ágiles, capaces de reorientarse para capturar imágenes de ubicaciones específicas.
Iceye
Iceye es una empresa finlandesa que se centra en la tecnología de Radar de Apertura Sintética (SAR), similar a Sentinel-1, pero con un énfasis distintivo en la adquisición rápida de datos y altas tasas de revisita. Iceye opera una constelación comercial de satélites SAR que proporciona imágenes frecuentes y de alta resolución de la Tierra.
A partir de 2024, ICEYE opera la constelación de satélites SAR más grande del mundo, con más de 34 satélites lanzados desde 2018. La empresa planea continuar expandiendo su constelación lanzando hasta 13 nuevos satélites en 2024 y de 10 a 15 adicionales anualmente en los años siguientes.
Los datos de Iceye son particularmente valiosos para industrias y gobiernos que requieren información casi en tiempo real en entornos desafiantes, como la vigilancia marítima, los seguros y la seguridad.
Planet
Planet Labs es un proveedor privado líder de EO conocido por su constelación «Dove», que consiste en pequeños satélites de bajo costo diseñados para capturar imágenes ópticas de alta resolución de la Tierra a diario.
A partir de 2024, Planet Labs tiene aproximadamente 200 satélites activos en órbita, incluyendo sus constelaciones Dove y SkySat . Esta flota captura más de 25 terabytes de imágenes diariamente.
Los satélites SkySat tienen aproximadamente el tamaño de un refrigerador pequeño, proporcionan imágenes con una resolución submétrica (alrededor de 50 cm por píxel). Se centran en capturar imágenes y videos de alta resolución para aplicaciones que requieren imágenes detalladas, como cartografía, monitoreo de infraestructuras y recopilación de inteligencia.
Los satélites Dove son CubeSats, pequeños y ligeros (del tamaño de una caja de zapatos). Capturan imágenes con una resolución de aproximadamente 3-5 metros por píxel, no tan alta como SkySat, pero permiten una observación de la Tierra de alta frecuencia y se utilizan principalmente para monitorear cambios ambientales, aplicaciones agrícolas y respuesta a desastres.
La capacidad de Planet para ofrecer un monitoreo continuo con una alta frecuencia de revisita lo convierte en una opción popular para aplicaciones comerciales donde los datos actualizados son cruciales.
Satellogic
Satellogic es una empresa argentina que opera una constelación de pequeños satélites de observación de la Tierra de alta resolución. Su modelo de negocio se centra en proporcionar datos de EO asequibles con alta resolución espacial, atendiendo a una amplia gama de industrias.
Satellogic ha lanzado más de 40 satélites hasta mayo de 2024. Estos satélites forman parte de su constelación NewSat (Aleph-1), cuyo objetivo es proporcionar imágenes de alta frecuencia y alta resolución de la Tierra. La empresa está expandiendo activamente su constelación y planea aumentar significativamente el número de satélites en órbita en los próximos años.
Los satélites de Satellogic capturan imágenes multiespectrales e hiperespectrales, lo que permite un análisis detallado de la superficie terrestre. Estos datos se utilizan en agricultura, energía, silvicultura y monitoreo urbano, entre otros campos.
Satellogic tiene como objetivo democratizar el acceso a las imágenes satelitales, permitiendo a los usuarios en mercados en desarrollo aprovechar los datos de EO para la toma de decisiones y la resolución de problemas.
Plataformas de datos EO
Los agregadores de datos de Observación de la Tierra desempeñan un papel fundamental al hacer que los datos de EO sean accesibles y utilizables para una amplia gama de aplicaciones. Agregadores de datos de EO como la Misión Contribuyente de Copernicus y plataformas como UP42 agregan, procesan y distribuyen datos de diversas fuentes satelitales, mientras que constelaciones como Copernicus y Pleiades proporcionan las imágenes satelitales en bruto.
Cada uno de estos proveedores de EO aporta fortalezas distintas, atendiendo a diferentes necesidades según el tipo de datos, la frecuencia de actualizaciones y los desafíos específicos que están diseñados para abordar.
UP42
UP42 es una plataforma de datos geoespaciales y análisis que permite a los usuarios acceder y analizar datos de EO de múltiples fuentes. Opera como un mercado y una plataforma como servicio (PaaS), permitiendo a empresas, investigadores y desarrolladores crear soluciones geoespaciales personalizadas combinando diferentes fuentes de datos y algoritmos.
Programa de Misiones Contribuyentes de Copernicus
El programa Copernicus es una importante iniciativa de observación de la Tierra liderada por la Unión Europea en asociación con la Agencia Espacial Europea (ESA). Su objetivo principal es proporcionar información precisa, oportuna y fácilmente accesible sobre el estado del medio ambiente.
Proporciona varias plataformas y herramientas, algunas de las cuales son:
Centro de Acceso Abierto de Copernicus: Este es el portal principal para acceder a los datos de Sentinel. Permite a los usuarios buscar y descargar conjuntos de datos, incluyendo imágenes y otros datos ambientales.
Servicios de Copernicus: Estos servicios proporcionan información y análisis personalizados derivados de los datos de los satélites Sentinel, apoyando una amplia gama de aplicaciones. Por ejemplo, Copernicus ofrece datos detallados sobre variables y tendencias climáticas, permitiendo el monitoreo de cambios en la temperatura, la precipitación y otros indicadores climáticos clave. También proporciona información valiosa sobre el uso y la cobertura del suelo, ayudando a rastrear la deforestación, la expansión urbana y las actividades agrícolas. Además, Copernicus apoya servicios en la vigilancia marina, el análisis de la composición atmosférica y la respuesta a emergencias, ofreciendo información crítica para la gestión de desastres, la protección ambiental y la formulación de políticas en toda Europa y a nivel mundial.
Servicios de Acceso a Datos e Información de Copernicus (DIAS): Estas plataformas ofrecen acceso basado en la nube a los datos y herramientas de procesamiento de Copernicus. Facilitan la gestión y el análisis de datos proporcionando recursos de almacenamiento y computación escalables.
Habilitando información procesable a partir de datos de Observación de la Tierra
Prevemos un crecimiento importante en las capacidades satelitales y mayores posibilidades para acceder y explotar los datos de EO para convertirlos en información tangible y procesable. En consecuencia, la cantidad de casos de uso y opciones anima a los desarrolladores a crear soluciones de software para tareas que, sin datos de EO, pueden ser lentas, costosas o simplemente imposibles.
Con la llegada de la IA y la disponibilidad de datos de EO en plataformas como el Catálogo de Datos de la ESA, cualquiera puede entrenar modelos de aprendizaje automático, por ejemplo, una red neuronal, para monitorear, analizar, rastrear y varias otras tareas aún por descubrir sin ningún equipo especial. Considerando el Teorema universal de la aproximación, que describe cómo la salida de una red neuronal específica es densa en el espacio de funciones (existe una red neuronal con las condiciones necesarias para describir cualquier rendimiento deseado), cualquier proceso puede ser automatizado.
Actualmente se están desarrollando varios proyectos de observación de la Tierra, algunos de ellos son Observatorio del Sistema Terrestre (ESO) de la NASA, que incluye múltiples misiones como el Sistema de Observación de la Atmósfera (AOS), Biología y Geología de la Superficie, y GRACE-Continuity (Cambio de Masa), para responder preguntas científicas y sociales. Y también, el Programa FutureEO de la ESA, que incluye misiones diseñadas para estudiar océanos, hielo, tierra y atmósfera.
Como en cualquier otro avance tecnológico, su utilidad potencial no está definida desde el principio. Tener acceso a información constante de todo el mundo permite el desarrollo de innumerables aplicaciones, teóricamente, y si la tecnología satelital sigue avanzando, podría permitirnos rastrear todos los vehículos a la vista si tuvieran un identificador sobre ellos; con enjambres de drones se podría identificar a cada persona en una zona exterior en cuestión de minutos, y muchos más casos de uso potenciales.
Cómo puede utilizarse la observación de la Tierra para monitorear infraestructuras
En el mundo interconectado de hoy, la integridad y resiliencia de las infraestructuras son primordiales para garantizar el buen funcionamiento de las sociedades y economías. Hay activos críticos crecientes que están constantemente expuestos a peligros naturales y provocados por el hombre, y debido a la importancia de las infraestructuras eléctricas, energéticas y de transporte, su monitoreo es una alta prioridad.
Con el rápido crecimiento de la IA, las posibilidades que ofrece el uso de datos de EO son infinitas y cambian rápidamente cada semana. Veamos casos de uso comunes:
Aprendizaje automático para identificar objetos y rastrear anomalías
La red neuronal más frecuente utilizada al analizar datos de EO es una CNN (Red Neuronal Convolucional) ya que los datos consisten usualmente en imágenes, por lo que al tratar con tareas como monitoreo o detección, esta será la red neuronal en la que tenderemos a centrarnos. Ahora, dependiendo de la tarea que estemos implementando, veremos diferentes modelos y algoritmos;
- Si queremos implementar un sistema de conteo de árboles en una zona especificada, podríamos estar interesados en YOLO, un popular algoritmo de detección de objetos que también es capaz de detectar cuerpos humanos y determinar si están dentro de áreas restringidas.
- Si estuviéramos interesados en identificar las zonas construidas por humanos de un área extensa, implementaríamos una ResNet, entre otras. También podemos utilizar información adicional recopilada por datos satelitales, que no solo almacena información sobre el espectro visible, para identificar el tipo de vegetación en una zona utilizando tanto el espectro VIS como el NIR (visible e infrarrojo cercano).
- Otra red neuronal útil para detectar anomalías es el autoencoder, que se entrena para reconstruir los datos de entrada. Al entrenar un autoencoder en imágenes normales, tiene dificultades para reconstruir anomalías; de esta manera, nos permite detectarlas basándonos en el error de reconstrucción. Esto es muy útil si queremos monitorear una zona y detectar anomalías dentro de ella.
- Si estamos desarrollando un algoritmo de visión por computadora para rastrear vehículos en, por ejemplo, un tramo de autopista, en el que su dirección es casi constante, también podríamos implementar un SIFT (Transformada de características invariantes a escala), un algoritmo para extraer características importantes de una imagen dada. Después de eso, también podríamos implementar un filtro de Kalman para evitar perder nuestro rastreo cuando la visión del objetivo está bloqueada.
Modelos de aprendizaje automático para predecir desastres naturales
Los modelos de aprendizaje automático pueden utilizarse para predecir desastres naturales después de recopilar información de diferentes fuentes. La combinación de información de EO recibida de todas las fuentes puede ayudar a ajustar los modelos predictivos, desde simples regresiones logísticas hasta modelos de aprendizaje automático como Pangu-Weather, un modelo de IA de Huawei Cloud que puede predecir el clima con mayor precisión que los modelos de predicción meteorológica numérica de última generación a una velocidad 10,000 veces más rápida.
Una red neuronal adecuada para la predicción de desastres naturales es una RNN (Red Neuronal Recurrente) ya que se utilizan para modelar datos de series temporales, lo que permite predicciones o tendencias climáticas más precisas. Esto puede utilizarse para proteger infraestructuras para prevenir daños mayores o para crear planes de evacuación que garanticen la seguridad de los habitantes.
Conclusión
Después de revisar todos los diferentes tipos de imágenes y el uso típico de cada uno, podemos ver la gran versatilidad que ofrecen los datos de EO. Todos estos datos recopilados por las diferentes constelaciones y distribuidos por los proveedores de datos de EO permiten su uso a mayor escala. Esto, sumado al avance de la IA, permitirá la creación de varios proyectos que acelerarán el progreso en diversas áreas en todo el mundo.
Se estima que el crecimiento de los datos de EO se acelerará significativamente en los próximos años, impulsado por los avances en la tecnología satelital, las capacidades de procesamiento de datos y la creciente demanda de información en tiempo real y de alta resolución sobre el medio ambiente terrestre.
En nuestra nota técnica, proporcionaremos más información sobre algunas de las aplicaciones innovadoras que estamos desarrollando en Cactus para abordar los desafíos que plantean los árboles cerca de las líneas eléctricas. Estas soluciones están diseñadas para mejorar la seguridad, aumentar la eficiencia en la gestión de la vegetación y reducir el impacto ambiental del mantenimiento de las distancias de seguridad alrededor de la infraestructura eléctrica. Mantente atento mientras exploramos cómo estos avances pueden contribuir a una red energética más fiable y sostenible.
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 soluciones basadas 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.
