Modelos de Fundamentos Geoespaciales: El Futuro del Análisis de la Tierra

En la era actual, la creciente demanda de información precisa y oportuna sobre nuestro planeta ha impulsado la innovación en el campo de la geoespacialidad. Los modelos de fundamentos geoespaciales están emergiendo como una herramienta poderosa para comprender y abordar los desafíos ambientales, agrícolas y urbanos que enfrentamos. Este artículo explora en detalle qué son estos modelos, cómo funcionan y por qué son tan importantes para el futuro del análisis de la Tierra.

¿Qué son los Modelos de Fundamentos Geoespaciales?

Los modelos de fundamentos geoespaciales representan una nueva generación de herramientas de análisis de la Tierra que se basan en el aprendizaje automático y la inteligencia artificial. A diferencia de los modelos tradicionales, que requieren grandes cantidades de datos específicos para cada tarea, estos modelos se pre-entrenan con vastas colecciones de datos de observación de la Tierra. Esto les permite generalizar el conocimiento y aplicarlo a una amplia gama de problemas, desde la detección de desastres naturales hasta la optimización de la agricultura.

Estos modelos se alimentan de datos provenientes de satélites, sensores terrestres y otras fuentes, lo que les permite capturar información detallada sobre la superficie terrestre, la atmósfera y los océanos. Al analizar estos datos, los modelos de fundamentos geoespaciales pueden identificar patrones, tendencias y relaciones que serían imposibles de detectar con métodos tradicionales.

Estos modelos son esenciales porque, tradicionalmente, el proceso de crear modelos de aprendizaje automático para el análisis de imágenes satelitales es bastante complejo. Requiere una gran inversión de tiempo y recursos para la recopilación y el preprocesamiento de datos. Es por Ello que los modelos fundacionales son tan importantes, ya que permiten que usuarios con menos conocimiento sobre aprendizaje automático puedan obtener grandes resultados de manera rápida y sencilla.

Un ejemplo de esta aplicación es cuando se busca predecir el rendimiento de una cosecha. Anteriormente, se debían entrenar los modelos con data especifica del área en cuestión, que incluían imágenes satelitales, condiciones climáticas y tipos de suelo. Con los modelos fundacionales, solo se requiere ingresar la data específica al modelo para que éste realice un análisis detallado que le permite predecir con bastante certeza el resultado.

En esencia, un modelo fundacional es una base de datos gigantesca que ha sido entrenada para reconocer distintos tipos de patrones y que, de esta manera, tiene la capacidad de realizar distintas tareas, ahorrando tiempo y recursos.

La Colaboración de IBM y NASA: Prithvi

Recientemente, IBM y NASA unieron fuerzas para crear un modelo de fundamentos geoespacial llamado Prithvi

. Este modelo es capaz de realizar diversas operaciones, incluyendo la detección de cicatrices de quemaduras, la clasificación de cultivos y la detección de inundaciones, todo ello sin necesidad de entrenamiento adicional por parte del usuario.

La singularidad de Prithvi radica en su capacidad para utilizar datos de observación de la Tierra pre-entrenados. IBM y NASA han combinado su poder computacional y recursos satelitales para crear este modelo, que ha sido entrenado con una gran cantidad de datos, lo que le permite reconocer patrones complejos y realizar predicciones precisas. Esto significa que los usuarios pueden acceder a análisis geoespaciales de Alta calidad sin la necesidad de ser expertos en aprendizaje automático o de invertir en la recopilación y el procesamiento de grandes conjuntos de datos.

Prithvi ofrece una serie de operaciones valiosas, que incluyen:

• Detección de cicatrices de quemaduras utilizando datos de observación de la Tierra.
• Clasificación de cultivos para optimizar la agricultura.
• Detección de inundaciones para una respuesta rápida ante desastres.
• Análisis de impacto ambiental para la Toma de decisiones informadas.

¿Entendiendo los Modelos de Lenguaje?

Para comprender la importancia de esta nueva herramienta,

es necesario comprender primero la dificultad que representa construir modelos de aprendizaje automatizado.

En términos sencillos, cuando se busca que un modelo aprenda, se alimenta el modelo con una serie de datos que le permiten reconocer patrones de comportamiento. Mientras más data se le suministre, el modelo será más eficiente y su toma de decisiones más certera.

Esto se asemeja a la regresión lineal, en donde se tienen dos variables, X e Y, y se busca encontrar la relación entre ambas. En términos de aprendizaje automático, se alimentan a los modelos con data del pasado (data X) para predecir eventos futuros (data Y).

En el mundo geoespacial, esta data puede ser imágenes satelitales, que alimentan el modelo y le dan la capacidad de reconocer los distintos tipos de features que puede tener una superficie, como cuerpos de agua, tipos de construcciones, tipos de vegetación, y cambios en el tiempo.

Descarga de Datos HLS Sentinel-2

El primer paso para utilizar Prithvi es obtener los datos HLS Sentinel-2 necesarios

. Estos datos son esenciales para el análisis y la clasificación de la superficie terrestre.

Para obtener la data, es necesario ir al portal de la NASA dedicado a estos menesteres y seguir los siguientes pasos:

1. Seleccionar un área de interés: Elige la región geográfica que deseas analizar en el mapa. Es importante asegurarse que sea un área en donde se pueda ver variedad de features tales como cosechas, agua y zonas urbanas.
2. Busca la data HLS (Harmonized Landsat Sentinel): Escribe HLS en el buscador, con el fin de filtrar el contenido de la base de datos.
3. Selecciona la data correcta: HLS Sentinel-2 Instrument Multiespectral Surface Reflectance Daily Global 30m V2.0
4. Comienza la descarga: Es importante descargar la data correcta para que el modelo funcione. Para ello, hay que obtener la data de los features de tipo: HLS.S30.T15TVJ.2024264T170111.v2.0.B12 y B11, B08 y B04, B03 y B02.
5. Toma en cuenta las fechas: Es importante tomar data de, al menos, 3 fechas distintas con el fin de que el modelo funcione correctamente.

Procesamiento de Datos con QGIS

Una vez descargados, es necesario preparar la data en la herramienta de código abierto QGIS.

Los pasos a seguir son:

1. Arrastra la data descargada a QGIS.
2. Ordena la data por fecha. Debe quedar la fecha más antigua al tope, y la fecha más reciente al final.
3. En la pestaña Raster, haz click en Miscellaneous y Merge.
4. Ingresa las capas, teniendo en cuenta que el modelo acepta 18 capas, con 3 features por fecha.
5. Verifica que el orden sea el mencionado.
6. Marca la casilla 'Place each input file into a separate band'.
7. Exporta la capa como GeoTIFF.

Finalmente, es necesario recortar el área en el GeoTIFF al área de análisis. El modelo correrá solo sobre el área seleccionada, ahorrando tiempo y recursos.

Subiendo el modelo en Hugging Face

Una vez con la data en el formato Correcto, se puede utilizar en Hugging Face, la plataforma en donde están alojados este y muchos otros modelos fundacionales

.

• Comienza la predicción: En la herramienta, simplemente arrastra el archivo y click en Submit.
• Espera unos minutos: Debido a la complejidad de la tarea, la ejecución del modelo puede tardar unos minutos.
• Examina los resultados: Una vez concluido el proceso, el modelo arrojará una predicción clasificada con la leyenda que se muestra en el portal.