PAMPLONA, 25 (EUROPA PRESS)
El uso del aprendizaje profundo para mejorar la resolución y el análisis de las imágenes satelitales ha centrado la investigación doctoral que el ingeniero Christian Ayala Lauroba ha defendido en la Universidad Pública de Navarra (UPNA).
La tesis ha estado dirigida por el catedrático de Ciencia de la Computación e Inteligencia Artificial e investigador del instituto ISC de la UPNA Mikel Galar Idoate. Se trata de una tesis elaborada en la modalidad de doctorado industrial desarrollada en Tracasa Instrumental.
Según ha explicado el autor de la tesis, gracias al uso de la inteligencia artificial el análisis de grandes volúmenes de datos geoespaciales en la observación de la Tierra se ha vuelto más eficiente. Las aplicaciones del análisis de estos datos geoespaciales son múltiples, especialmente en el campo de la planificación urbana. “Mediante el uso de inteligencia artificial es posible modelar el impacto del desarrollo urbanístico, evaluar la disponibilidad de recursos para la población, prever el deterioro de infraestructuras como carreteras e identificar cambios en el uso del suelo, como la construcción de nuevos edificios. De esta forma, los planificadores urbanos pueden tomar decisiones más informadas y eficientes, respaldadas en datos precisos y actualizados”, ha indicado.
Si bien esta tecnología facilita un proceso, el de creación de mapas, que antes era manual y laborioso, el inconveniente de las soluciones comerciales basadas en inteligencia artificial es que presentan escasas posibilidades de personalización y que son muy costosas, lo que las hacen inaccesibles a muchas personas, según ha explicado la UPNA. A esta necesidad responde la tesis doctoral defendida por el ingeniero Christian Ayala. Se ha centrado en desarrollar técnicas avanzadas de inteligencia artificial utilizando datos abiertos y gratuitos proporcionadas por las misiones Sentinel del programa Copernicus de la Agencia Espacial Europea (ESA).
La investigación se ha llevado a cabo en Tracasa Instrumental, empresa donde se desarrolló esta tesis industrial, y sus modelos tienen aplicaciones prácticas concretas. “En particular, apoyan a expertos en la actualización de cartografía catastral al detectar automáticamente omisiones catastrales. Además, gracias a los modelos de superresolución diseñados en el marco de esta investigación, Tracasa Instrumental ha proporcionado a organismos públicos y autoridades de gestión de emergencias imágenes satelitales superresolucionadas de la zona de Valencia afectada por la DANA”, ha explicado Chrístian Ayala.
El autor de la tesis ha apuntado que usar datos del programa Copernicus presenta algunos retos. “En el contexto de la inteligencia artificial, la tarea de delinear edificios y carreteras se traduce en una tarea de segmentación semántica, que consiste en clasificar todos y cada uno de los pixeles de una imagen en una serie de clases predefinidas (en este caso concreto, edificio, carretera u otra cosa)”, ha señalado.
“Abordar dicha tarea con imágenes satelitales del programa Copernicus plantea desafíos específicos que no surgen al trabajar con imágenes de muy alta resolución (<1 m/píxel) como se hacía tradicionalmente", ha detallado.
Christian Ayala ha indicado que, en este último caso, la alta calidad de las imágenes facilita la delimitación precisa de elementos urbanos, pero su elevado coste limita su uso en la actualización constante de mapas urbanos. "El principal desafío de trabajar con estos satélites abiertos es su resolución espacial de 10 m/píxel, que dificulta la detección precisa de elementos urbanos. A esta escala, varios objetos pueden compartir un mismo píxel, lo que complica la segmentación detallada de edificios y carreteras", ha apuntado. Según ha añadido, "otro problema importante es la variabilidad espectral de las imágenes, influenciada por factores como la posición del sol, las condiciones atmosféricas y la estacionalidad". "Esto dificulta la creación de conjuntos de datos que representen toda la diversidad posible de escenarios, lo que a su vez afecta la capacidad de los modelos para generalizar de manera robusta, independientemente de la ubicación geográfica o el momento de adquisición de las imágenes", ha relatado. Finalmente, la diversidad en las resoluciones espaciales representa un desafío adicional para la evaluación y comparación de modelos. "Al cambiar la granularidad de las imágenes (es decir, la cantidad de píxeles que contienen), también cambia la población sobre la cual se calculan las métricas, lo que dificulta la comparabilidad directa de los resultados. Esta limitación complica responder a una de las preguntas más relevantes en el ámbito de la observación de la Tierra: ¿a qué resolución debe trabajarse para detectar un objeto X con una precisión Y?", ha explicado Ayala. Por todo ello, el objetivo general de la tesis es estudiar, desarrollar y evaluar de manera justa modelos de segmentación semántica que utilicen datos con una resolución espacial limitada para abordar tareas que demandan un alto nivel de detalle, como la segmentación semántica de edificios y carreteras, aprovechando la disponibilidad de datos públicos y de libre acceso. Christian Ayala Lauroba es ingeniero informático y experto en inteligencia artificial aplicada a la observación de la Tierra. Obtuvo su grado en Ingeniería Informática en 2018 y un máster en Ingeniería Informática en 2020, ambos por la UPNA. Desde 2018, trabaja como responsable técnico del departamento de innovación de Tracasa Instrumental. Además, es profesor asociado en la UPNA y colaborador activo en la comunidad científica, con múltiples publicaciones en revistas y conferencias internacionales sobre observación de la tierra e inteligencia artificial. Su trabajo le ha permitido obtener diversos reconocimientos a nivel internacional, incluyendo primeros puestos en competiciones de inteligencia artificial como el reto 'AI4EO AI4FoodSecurity', de la Agencia Espacial Europea (ESA), o 'Tropical Storm Wind Prediction', de la NASA.- Te recomendamos -
