Hoy tenemos una charla de personal de la empresa GEOSAT dedicada al tema de datos a partir de sensores remotos transportados y transportados en satélites. Nos viene a contar Silvia Fraile, que es doctora en Física. Experta en detección y directora de temas de, si no me equivoco. Con amplia experiencia, más de 20 años. Y César Fernández, que es ingeniero informático, es experto en inteligencia artificial a partir de datos espaciales, también con con amplia experiencia en en este tipo de datos. Así que os dejo con ellos y espero que disfruten con su charla. Muchísimas gracias a todos por venir aquí con nosotros. Vale, vamos a contaros lo que es nuestro modo de vida. Es algo que nos ha enganchado durante muchísimos años. Algo que se te mete en el cuerpo y que no puede salir. Que es el trabajo de remo, de teledetección. Esos satélites que lo pensáis y decís uy, eso suena una cosa que está por ahí volando. ¿Quiero haceros una pregunta Cuántos de vosotros conocéis Sentinel? ¿Quienes trabajáis con imágenes satélite? ¿Os gusta la resolución? Diez metros. ¿Está chulo? Sí. ¿Cómo os quedáis? ¿Si os digo que desde 2014 tenemos imágenes sub métricas que podéis utilizar vosotros? No voy a haceros spoiler, os lo voy a ir contando poco a poco para que veáis qué es lo que tenemos en casa, que muchas veces no lo conocemos. Estamos pensando ojo, la esa Sentinel, que guay, diez metros, un montón de banda así. Efectivamente está muy bien, pero tenemos un montón de cosas, más de 400.000 imágenes. El número está cogido de hace dos semanas. Lo mismo. Ahora tenemos unas poquitas más de 400.000 en catálogo. ¿Quiénes somos? Somos Geo Sato. Venimos de hace muchísimos años. ¿Empezamos a finales de los 90 en la Universidad de Valladolid como un laboratorio de teledetección, unos becarios que estábamos medio locos, dijo el director un día Por qué no ponemos un satélite en nuestra vida? Y así fue. Empezaron a diseñar lo que antes se llamaba Deimos, uno que estaba diseñado para agricultura. Ahora os enseño detallitos. Después lanzamos el Deimos dos, que ahora es Osa dos y a partir de ahí la cosa no ha parado. A día de hoy, que es lo que tenemos, tenemos dos oficinas, una en Lisboa, Portugal, porque la empresa es portuguesa y la otra en España. En Portugal estamos empezando a crecer, es donde estamos metiendo toda la potencia ahora mismo. Pero el conocimiento de más de 20 años de carrera está en España, está en en el Parque Tecnológico de Huesca, en Valladolid tenemos un montón de cosas. Estamos también en Granados, que en lugar de decir satélites que operen otros no montamos nuestro propio GC, montamos nuestra antena, tenemos operadores de satélite que controlan 24 siete esto y además tenemos un equipo de producción. El equipo de producción es tan bueno que a día de hoy entregan imágenes en formato de emergencia en menos de 20 minutos en cualquier sitio del planeta. Y eso estoy hablando de imágenes métricas. Está perfectamente engranado. Nuestros satélites. Aquí están los juguetes. Este es el primero, ya tiene 14 años. Ya está, ya es una misión de hace muchísimo tiempo. 22 metros de resolución, listo para agricultura principalmente. Tiene un swap enorme, solamente tres canales puestos en dos bancos distintos. Cogemos unos 600 kilómetros de una sola tirada. Efectivamente, está mayor porque ya lleva muchísimos años orbitando, pero todavía nos sigue dando alegrías. Todavía pasa la calibración y la validación y todavía hace imagen. Es verdad que no mucha, porque las baterías se van consumiendo, suele fallar en la parte física de las baterías por fallas, pero sigue volando esta y seguimos alimentando catálogo. Y luego vino el hermano grande, esto es Geo dos. Esto ya es otro cantar. Estamos hablando de 12 kilómetros. Reducimos el swap. Obviamente, cuando quieres ganar resolución, pierdes swap. Así es la física. Tenemos más bandas, tenemos una PAC cromática de un metro cuatro multi espectrales a cuatro metros, hacemos nuestros productos de fusión y conseguimos un montón de productos que ahora os voy a enseñar. Esto ya estaba preparado para defensa, seguridad. Las imágenes que están aquí puestas son chiquititas, pero yo creo que la diferencia entre una y otra ya se aprecia. Aquí tenemos una potencia que ya está fenomenal. Lo bueno que tiene el Geo SAT dos es que es una plataforma ágil, es capaz de moverse en tres direcciones en el espacio. Eso nos permite hacer parece estéreo, que yo creo que los pares estéreo algo sabréis para hacer vuestros modelos digitales, como tres metros de calidad está muy bien. No lo vamos a hacer en cualquier sitio del planeta porque las restricciones de las adquisiciones son nuestras. Es decir, si hace falta hacer una captura en Madrid porque hay que hacer un modelo en Madrid, nosotros hacemos eso. Vale, la calidad es muy buena. De verdad que merece la pena. Merece la pena verla. Nuestros productos aquí tienen la tabla. He puesto es verdad que he puesto los de 2 a 2 porque son los que tienen más variedad y los que están saliendo mucho, mucho más al mercado. Productos con sartén no hacemos fusión del tipo de bandas que queráis. Ps3 Lo demás está puesto por aquí. Un RGB, un falso color. Mezclamos la NIR con la verde, con la roja, lo que es lo que necesitéis. Llevan muchos años el equipo de producción haciendo esto. La calidad es magnífica. Van cromática solo si hay alguien que necesita hacer algún trabajo de entrenamiento y necesita sólo cromática o para evitar el tamaño de la imagen, que suelen ser muy grandes, multi espectrales, que es donde está la potencia física cromática. Te da la calidad geométrica y la multi espectral. La parte física, la potencia van del que es mezclada lo que queráis y de todo eso, además, valor añadido aquí. Además, quiero contaros cómo empieza el equipo de innovación, porque nosotros partimos a partir de aquí. ¿Es como vale si os dedicáis a entregar imágenes, tenéis un servicio muy bueno, una cantidad brutal, vale? Y bueno, pues tenemos tal tonelada de píxeles que llega un momento en el 2021 donde nos dicen pues hay que sacarle a esto partido. Entonces de ahí sale el departamento de Innovación y empezamos como innovación, Ahora somos y más tema. Sí, y hacemos dos trabajos. Uno es lo que es la innovación interna para cerrar la cadena de valor de los jefes y la externa. Para este trabajo de cerrar la calidad de la cadena de calidad interna, empezamos a trabajar con la sub resolución, todo el mundo lo hacía, todo el mundo cogía una imagen RGB y te hacía una super resolución. Dividía la resolución por dos. Perfecto, pues este señor aquí presente decidió que eso estaba muy bien, pero además que había que mantener la calidad física, que hubiese chicha, porque ven una foto con mucha resolución está muy bien, pero si puedes hacer cálculos vale. Y sacamos nuestro primer producto de súper resolución que son esos ticks verdes que tenéis ahí. Todos los productos que tenemos les podemos hacer su resolución y garantizamos que son físicos, que se pueden usar para cualquier cosa y un poco para validar que lo estábamos haciendo bien. Pasamos a través de los grupos de calidad de la ESA, nos ha validado el CQC, esto nos ha permitido entrar en proyectos europeos de alto nivel porque cumplimos todos los parámetros que pide la ESA. Ese fue el primero de todos. Luego ya me han ido un montón, un montón de ellos más. En el siguiente está involucrado el profesor Íñigo para cerrar esta cadena de valor. Él nos ayudó a hacer la validación de la corrección atmosférica porque estábamos diciendo que tenemos que intentar cerrar el ciclo, que las imágenes ya están perfectamente para un usuario final y que un usuario final no tenga que decir vale, y ahora tengo que corregir atmosférica. Esto que habéis cogido volando a 600 kilómetros. Vale, pues ahora te lo hago yo, no hay problema. ¿Vale? Y otro problema adicional las nubes. No se ha dicho nada, pero los satélites ópticos son muy caprichosos. El problema principal que tenemos son las nubes. No podemos hacer nada con ellas por si no podemos hacer nada con ellas. Las vamos a caracterizar y nos hemos innovado. ¿Una máscara de nubes que sale directamente de los productos donde decimos al usuario final mira, esta es tu escena, usad estas, tu máscara de nubes y además te digo dónde están las sombras? No tienes que hacer nada más y esta corregida atmosférica. Si la quieres en su resolución también te la doy. ¿Vale? Entonces acabamos de dar un producto cerrado listo para usar. Vale, os he puesto una serie de imágenes porque si os cuento un montón la teoría, la física, no sé cuando, no sé qué, pero esto es lo que cuenta. ¿Qué es lo que veis? Lo que veis es esto. Esto es lo que vais a recibir. Imágenes de muy alta resolución que valen para cualquier cosa. Nosotros, derivado de esto, hemos desarrollo desarrollado un chip, detección, un algoritmo para detectar barcos y otro para detectar aviones. No os pongo ejemplos porque no puedo ponerlos, pero ya lo tenemos desarrollado en casa. Vale que yo no quiero hacer nada de infraestructuras, quiero hacer algo de medio ambiente, incendios, podemos hacer cálculos de índices de vegetación, lo que queráis, vale, pero es que prefiero otro tipo de dato. Glaciares. ¿Qué queréis? ¿Qué más podemos hacer? A ver, que somos geodésico. Vamos a ver minas, lo que queráis. Todas estas minas se pueden coger con estéreo. Parece. Y podéis hacer el análisis y el monitoreo de las minas a través de imágenes de muy alta resolución. Igual que revisar el impacto de la mina alrededor. Lo que quieras. La cosa es. Esto será caro. No es. Estás pensando, Silvia, Esto que nos estás contando suena. Suena caro. ¿Lo tenéis listo para usar? Tenemos dos coberturas de la Península Ibérica listas para usar. Las tiene listas solamente tenéis que bajaros las imágenes. Estamos cerrando la de 2023 y estamos intentando acordar las del 2024 Sub métrico. Vale. Península Ibérica. Lo mismo digo yo. Quiero hacer trabajos en Chile. Hazlo. Somos una misión. Ser parte de la ESA. Podéis solicitar cualquier tipo de dato a través de la ESA. Todo lo que esté en archivo. Obviamente tenemos. Tenéis a tu no geos a dos. Las coberturas, lo que queráis, que yo entiendo que Sentinel es como muy directo porque tienes tu plataforma para hacer las cosas, pero todavía hay más. Se puede ir un poquito más allá. Vale. Entre las aplicaciones que estamos sacando del equipo estamos por contaros un poquito por dónde vamos. Estamos trabajando en el tema del carbono, que es como el trending topic de este año. Vale, estamos en el carbono verde, el marrón y el azul, trabajando con manglares, bosques y agricultura. Estamos diseñando un montón de data sets para entrenar algoritmos, porque efectivamente los algoritmos de inteligencia artificial y todo esto están muy bien, pero hay que enseñarles. Vale, entonces las gente como César está solicitando constantemente nuevos que necesitamos hacer un entrenamiento. Tenemos gente dentro del grupo que hace dataset específicos, físicos o visuales, lo que haga falta para el modelo ese en ese caso. Y estamos haciendo un montón, pero un montón de cosas. Hay dos personas trabajando con inteligencia artificial, machine learning, Deep learning, todos los learning que os imaginéis que para vosotros los jóvenes, seguro que es como muy habitual. Para mí. Hace diez años era ciencia ficción y ahora es una herramienta. Está fenomenal y esta es la parte que yo os quería contar. Ahora os cedo, le cedo el espacio a César. Tiene un caso práctico, chulo que contaros, que espero que os guste. ¿Vale? Bueno, buenos días. Buenos días a todos. Bueno, como bien dice mi compañera Silvia, yo quería quería plantearos aquí un pequeño caso práctico que creo que creo que aquí a este foro en el que estamos hoy en día, hoy aquí puede ser de vuestra utilidad. Espero no haberme equivocado, me quería, me quería centrar en lo que sería la erupción del Volcán de La Palma que se produjo en el año 2021, hace ahora dos años. Bueno contaros que. Bueno, pues imagino que todos lo recordaréis. Está sobre esas fechas. Estábamos en España, en el mundo, inmersos en una pandemia, en la pandemia de la cumbre de la COB 19 e incluso aquí en aquí en Madrid lo sufristeis bastante en la zona Toledo centro, pues sufristeis lo que fue la borrasca Filomena. Bueno, fueron unos años bastante complicados entonces. Bueno, yo aquí lo que lo que quería, lo que quería mostraros, es cómo nuestros. Nuestros satélites, lo que viene a ser los satélites de alta resolución resultan de gran utilidad para hacer un seguimiento de este tipo de fenómenos. Vale, entonces, bueno, voy a coger un poco esto, a ver si me hago con ello. Bueno, pues os he preparado aquí este caso, un caso de uso. Bueno, contaros que el El Volcán de La Palma o de Tarragona, como se le ha venido llamando por ser el nombre de la olla donde se originó, se se marca su su inicio, su erupción el el día 19 de septiembre de 2021, aunque ya previamente había se había registrado durante bastantes meses anteriores movimientos sísmicos en la zona y estuvo activo durante 75 días y casualmente tal día como hoy de hace dos años, se dio por se dio por extinguido. El volcán se inicia en el en el paraje de de Cabeza de Vaca. No sé si sería por aquí, por esta zona en el municipio del Paso, en el Parque Nacional de Cumbre Vieja, se vieron afectados varios municipios como de toda esta zona de por aquí, como así como marcarlo el municipio más importante todo que el propio El paso. A ver que Los Llanos de Aridane y Corte, bueno, como consecuencia del volcán. Bueno, sí, vemos aquí todo lo que abarcó lo que fue la la la masa de lava cubrió toda esta zona del del suroeste de la isla de La Palma y se contabilizaron en daños materiales, agricultura, ganadería, ecosistemas, ya que se contabilizaron más de 840 millonesde euros en daños se contabilizaron 73,8 kilómetros de carreteras sepultadas por la grava. 2988, edificaciones destruidas, 1219 hectáreas arrasadas. Además de todos estos números, pues el volcán de La Palma esta erupción del volcán de La Palma trajo consigo problemas de toxicidad del aire con restricciones para los habitantes. Problema, retrasos, cancelaciones de los vuelos entre las islas por la por la nube de humo que se de ceniza que se extendió hacia el exterior y también pues hubo consecuencias en lo que es el los deltas que se formaron como de la lava que se vertió al mar en dos dos deltas en por four vertientes. Esta parte de aquí arriba y esta parte acá abajo que vertió lava al mar a una temperatura superior a los mil grados centígrados, con lo que ello conlleva para la. Para la. Para el ecosistema marino. Bueno, yo lo que quería centrarme aquí no es realmente en el volcán de La Palma. Yo lo que me quedaría centrar aquí realmente es en que este este, este tipo de fenómenos, al final lo que conllevan es unos cambios en unos cambios grandes en la geografía, geología de la zona y concretamente en lo que sería la línea de costa de la isla de La Palma. Vale, entonces aquí vemos que se formaron estos deltas, que esto es es parte adicional. Si vamos aquí en esta imagen no aparecen esos deltas y aquí sí que ya se aparecen estos deltas, esas sabanas. A ver, que no me caiga. Bueno, en primer lugar quería mostraros como antes mi compañera Silvia os estaba hablando de los satélites que que opera SAT. Quería mostraros una primera imagen del satélite que os hace uno el hermano pequeño. No sé si se ve bien por ahí. Aquí yo la veo un poquillo oscura, pero bueno, he aquí lo que os quería resaltar es Bueno, pues este es un satélite que que entre sus características principales tiene que tiene un HUD, tiene una anchura de barrido de SOA de más de 620 kilómetros, o sea que podríamos hacer un barrido en horizontal de más de 620 kilómetros en una sola, en una sola captura y luego ya en en halón. En lo que es vertical. Podríamos seguir pues hasta donde quede, a la memoria del satélite. Además tiene una resolución de 20 metros que para estudios para este tipo de estudios agrícolas o de PAL, lo que vamos a tratar ahora mismo, que sería la línea de costa, pues está bastante bien y además, además de estas dos características, pues lo que tiene este satélite es que, que tiene una revisita muy corta, tiene una revisita de uno o dos días en latitudes medias y de 2 a 3 días en latitudes en cualquier otra latitud, lo cual le hace una herramienta muy importante para la cobertura o para el seguimiento. Hacer al menos en superficies muy grandes. Vale decir que en este satélite, pues como ya he dicho, mi compañera tiene a bordo dos cámaras con con bandas en el espectro visible roja, verde e infrarroja cercana y que nos permite hacer estudios de agricultura, calcular índices de vegetación y bueno, pues un montón de estudios físicos que yo la verdad no soy el experto, pero bueno, yo lo cuento. Contaros no sé si os habéis dado cuenta, si no, yo os lo digo, que esta imagen que hacemos dando aquí estrategias es una imagen que tiene bastante color, es una imagen RGB, pero sin embargo, sin embargo es una imagen en color verdadero. Sin embargo, sí. No sé si os habéis dado cuenta las bandas que capta este satélite no incluye la banda azul. Solamente tenemos la roja verde y la y la infrarroja cercana. Entonces, bueno, pues aquí para obtener esta imagen en color verdadero y tener una imagen, una foto, no una imagen que es como los que normalmente salimos a hablar. Nosotros no hablamos de fotos, hablamos de imágenes. Por lo que hemos hecho ha sido construir una composición con las bandas RGB y una banda azul que hemos calculado sintéticamente, sintácticamente, artificialmente, a partir de los datos de las demás bandas. Bueno, pues dicho esto, bueno, no sé si se ve claro, pues esta imagen que os muestro aquí es una imagen del 23 de septiembre como dije anteriormente, la erupción del volcán se produjo el día 19 de septiembre de 2021. Esta imagen es casualmente cuatro días después de la erupción. Si vemos aquí, estoy viendo que se ve bastante oscura. Ya lo he dicho antes, aquí en esta imagen, lo que sería la Isla de la Palma sería esta parte de por aquí. Aquí se ve toda la isla de la Palma y aquí no se dice un dato. Y es que la anchura del del swap de la anchura de barrido del satélite son más de 620 kilómetros. Sin embargo, esta imagen que tenemos aquí, que es una imagen del satélite, es una imagen total del satélite. Solamente tiene una anchura de 170 kilómetros. O sea, daos cuenta de todo lo que podríamos abarcar aquí. Estamos cogiendo toda la isla. Esto es toda la Isla de la Palma. Incluso estamos cogiendo por aquí. Creo que esta es la isla de La Gomera. Si se ve claramente. No lo sé. Si, se ve claramente nada más. Aquí vemos esta sería la humareda que se formó la el volcán. Y vamos a pasar a una siguiente imagen. Esta sería una imagen con el satélite dos, que sería el satélite. Como bien ha dicho mi compañera, un satélite ágil con una resolución que llegamos por defecto a los 75 centímetros utilizando la banda cromática, pero que utilizando la súper resolución, utilizando técnicas de inteligencia artificial podemos llegar a los Ofrecemos datos de hasta 40 centímetros tiene un sub más pequeño. Vemos que vemos lo que podríamos cubrir de lo que es la Isla de La Palma. En este caso nos hemos enfocado en esta parte de aquí donde cogemos lo que sería que sería la boca del volcán, la Hoya del Volcán. Esta humareda corresponde a a la propia boca del volcán. Por aquí vemos la la línea de lava en estas imágenes del 7 de octubre que es creo que es tres o cuatro días después de cuando se produjo la primer el primer delta en el que se vertió lava al mar. Aquí se formado la primera fauna. Vale, vemos que esto aquí se ha formado. Todo esto es terreno que se ha ganado al mar. Bueno, dicho esto, me he presentado de lo que son nuestros satélites, nuestras imágenes referidos a lo que es la Isla de la Palma. Lo que quería enfocarme es en un caso práctico, en un caso práctico, utilizando la inteligencia artificial para resolver el problema de obtener la línea de costa de cualquier parte del mundo. En este caso, yo me voy a centrar en la isla las Islas Canarias y concretamente en la isla de La Palma. Vale, entonces, bueno, lo primero que hago es definir una estrategia. Una estrategia como cualquier proyecto de machine learning, donde no, normalmente no están aquí marcados todos los que serían los los sitios normales de un proyecto de machine learning. Yo me he centrado en estos tres. Normalmente lo primero es entender cuál es el problema para entender los datos con la que contamos aquí Yo ya me entro directamente a 1/1 que sería la preparación de los datos, donde lo que yo voy a hacer aquí es prepararme un conjunto de datos o dataset, con lo que yo posteriormente voy a evaluar y entrenarlo en modelos que voy a que voy a utilizar una siguiente parte, que sería esta parte de aquí abajo, donde lo que voy a hacer es una selección de un modelo en este caso bueno, evaluamos distintos modelos, pero al final nos decantamos por unas modelos de Hernani donde entrenamos ese modelo con el conjunto de datos construido anteriormente y obtenemos un modelo ya entrenado que nos va a permitir inferir o obtener unos resultados. Unos resultados que sería aquí. Aquí haríamos esa inferencia y con esos resultados que obtenemos hacemos un post procesado de los datos y obtenemos un resultado final que en este caso nuestro resultado final sería una geometría de la línea de costa. Voy a entrar un poco más en detalle en cada una de las partes, intentando dar una visión práctica de este caso de uso. ¿Entonces, bueno, pues cómo hemos hecho para resolver esto? Decir que aquí es un caso de uso, vale, es un ejercicio que queremos presentaros, un ejercicio que posiblemente podríamos hacer cualquiera en nuestra casa con un portátil sin mayor, sin mayor necesidad, porque en este caso no estamos utilizando las imágenes de 2 a 2 ni de dos hace uno. Pero podríamos, pero de momento, pues nos hemos centrado aquí en tener todo de open source, datos libres, patatín, patatán. Entonces nuestro primer punto es definirnos, definirnos, ese conjunto de datos que vamos a utilizar para entrenar nuestro modelo, entonces para construirnos ese conjunto de datos, claro, si nos ponemos, lo que necesitamos es construirnos un conjunto de imágenes, de pares, de imágenes donde vamos a tener lo que sería la imagen que vamos a darle al modelo y lo que esperamos que el modelo nos devuelva. Entonces, en este caso lo que le vamos a meter es imágenes de satélite y lo vamos a emparejar con lo que sería nuestro forma o nuestra nuestra verdad, el terreno que serían nuestras máscaras, tierra, agua. ¿Qué es lo que queremos? Nosotros queremos marcar la diferencia entre la tierra y agua para luego poder definir lo que es la línea de costa, que es nuestro objetivo. Obtener la línea de costa. Entonces, para obtener eso, nos hemos creado un pequeño procedimiento más o menos automático que no nos suponga demasiado esfuerzo. Porque claro, si eso lo tenemos que hacer manualmente, pues es un trabajo bastante tedioso. Entonces hemos intentado hacer algo semiautomático o prácticamente automático. Entonces el primer punto que hemos planteado es bueno, pues vamos a, nos vamos a marcar por dónde vamos a coger las imágenes. Entonces hemos cogido lo que sería una línea de costa muy grosera que obtenemos a partir de datos abiertos. En este caso no tenía datos del natural naturales Data, donde nos da una línea de costa a una resolución de diez metros, pero con una resolución con una precisión muy grosera, no marca muy bien lo que es la costa. Se queda muy no marca los detalles de las costas. Entonces, a partir de esa línea de costa, lo que hemos hecho ha sido definir una malla alrededor de esa línea de costa. ¿Que sería esto? Sería esto sería para todo el mundo. Aquí, aunque no se ve muy claramente, lo que estamos decidiendo es una malla para cada. Para toda la línea de costa enfocado en lo que sería la las Islas Canarias, pues aquí tenemos definido como por cada línea de costa tenemos definida esa magia que realmente luego al final para obtener los datos nos hemos centrado. Solamente va a tener los datos de la de los conjuntos de datos que vamos a utilizar para entrenar. Nos hemos centrado solamente en lo que sería la isla de La Gomera. Vale, entonces sobre la Isla Gomera vemos que se ha definido esa malla y esa malla nos va a pedir, nos va a permitir hacer consultas a un catálogo de datos de satélite para obtener imágenes en esas cuadrículas. ¿Esas imágenes que hemos obtenido en este caso las estamos obteniendo a partir del servicio de mapas del Google Earth, del servicio, en este caso de Rey, que sería de esta manera de aquí esto que nos permite? Pues si no os dais cuenta, este servicio red, hay mucho contraste entre lo que sería agua y lo que sería tierra. ¿Entonces, qué pasa? ¿Que si esas imágenes que hemos descargado de ese servicio de mapa ahora lo pasamos por un método de por un método no supervisado de carácter, de categorización, cómo sería en nuestro caso un método? ¿Cómo sería el camino? No sé si aquí estáis habituados a esos métodos, entonces, utilizando ese método camino y marcándole que lo que queremos es que nos discreta los datos que le hemos pasado de entrada en o nos clasifica esos datos en dos categorías el el modelo camino automáticamente me va a obtener un dato raster o un dato type de este formato, donde está muy claro. Hay una clara diferencia entre un dato que sería Terra y otro dato que sería mar. Esto está superpuesto sobre la imagen de partida. Esto es realmente lo que hemos hecho. Es esta sería los datos que tenemos están por aquí, superpuestos en coger ese dato. Lo hemos actualizado y una vez que ese dato lo ve, autorizamos lo que hacemos es de dentro, de es. Quitamos todo aquel dato que el modelo de Camín nos ha metido, que nos puede confundir entre lo que es tierra y agua. Esos datos normalmente van a ser etiquetas que tiene el servicio de mapas de Google Earth. Esas etiquetas poseen nombres de ciudades, nombres de textos de debajo de temas geográficos. Bueno, ese tipo de cosas. Entonces una vez que hemos hecho es a ese procesado de los datos del vector de ese vector en una herramienta tipo Curtis, que es una herramienta abierta. Por eso tenemos un dato limpio que volvemos a convertir a un dato raster y al final lo que hemos obtenido. Bueno, al final lo que hemos hecho ha sido de esto. Esas imágenes, de todas estas imágenes, todos estos cuadritos, de todas las imágenes, hemos seleccionado una serie de imágenes que tienen que contienen datos de tierra y agua. Esto que vemos por aquí negro y blanco, y entonces los hemos emparejado en lo que sería imágenes, sea pares de imagen y máscara de tierra agua. Aquí se diferencia muy bien entre lo que sería tierra en blanco y lo que sería agua en negro. Esto al fin y al cabo, es un dato raster que tiene valor es uno y valor es cero, no es más. Entonces con eso ya tenemos nuestro dataset o conjunto de datos que nos va a permitir entrenar un modelo. Decir que aquí lo que hacemos ahora mismo es hacer una selección de distintos modelos. Hacemos una una selección de bibliografía, nos documentamos distintos modelos que podemos utilizar de distintos índices. En este caso se planteó utilizar un índice de un índice de agua, como podría ser el dedo que leí para. Pero bueno, en este caso no tenía mucho sentido, porque lo que estamos tratando casualmente aquí son imágenes RGB, con lo cual no tiene sentido. Pero bueno, en el caso de las datos sí. Entonces al final, después de barajar muchos modelos, pues optamos por un modelo que es un modelo de diff learning. Uy, perdón, por arriba de arriba, rápido, que rápido quiero ir que vota cada botón. Al final optamos por un modelo que se llama un EQ. No sé si se ahorra. Si hubiera conocido este modelo de una vez es uno de los modelos ahora mismo más, más renombrados de Learning. Es un modelo que se creó o que se publicó en el año 2015 por unos investigadores de la Universidad de Freiburg. Inicialmente fue un modelo que se planteó para la segmentación de imágenes, biometría biomédicas, pero que posteriormente se EIDE se ha ido utilizando para para muchas más, para muchas más aplicaciones, entre ellas esto que tenemos aquí ahora mismo, que sería un problema de segmentación semántica en el cual queremos segmentar nuestros datos en y darle un significado a ese resultado. En este caso el significado es diferenciar entre tierra y agua. Entonces bueno, puede ser explicar un poco este modelo, pues es un modelo que tiene el nombre de un net, viene dado por como vemos aquí, representado por esta forma que tiene en forma de U esta forma de hello que se ve claramente aquí en esta representación. Entonces aquí, en esta forma de sé se diferencian dos partes, 1/1 de aquí de la izquierda, que sería una parte que se denomina de contracción o codificación, donde su función es la de recoger información de la imagen de entrada. Caracterizar los datos de la imagen de entrada. Entonces lo que se hacen es aplicar convolución. Es aplicar filtros a la imagen de entrada para obtener datos de las características de la imagen. Además, re reduciríamos lo que sería los parámetros que vamos a utilizar para entrenar la red neuronal que va a venir. Bueno, todo es una red neuronal, pero al final aquí va a haber una red neuronal que va a ser la que va a aprender, la que va a aprender, en la que va a tener la parte de aprendizaje. ¿Vale? Y finalmente, a continuación tendríamos otra parte de aquí, la parte de la derecha, que es una parte simétrica a la a la parte de contracción y que se denomina de expansión o descodificación. Esta parte de la izquierda lo que hace su función es realizar la convolución traspuesta de de la parte de contracción y obtener el producto final. Deseamos En este caso el producto final que deseamos es obtener una caracterización o diferenciación entre lo que sería una máscara de tierra agua de los valores de tierra agua. Entonces aquí vamos a tener unos niveles de de probabilidad de lo que sería cada píxel de nuestra imagen tierra agua. Vale, entonces eso al final llegamos con esto, con nuestras paredes iniciales, con nuestro conjunto de datos inicial. Entrenamos ese modelo y al final ya tenemos un modelo. Al final vamos a tener un modelo entrenado que va a ser como una caja negra a la cual nosotros le vamos a meter una vez que tengamos el modelo entrenado, que lo hemos entrenado con nuestros datos, con nuestro conjunto de datos que hemos obtenido a partir de imágenes y pares, pares de imagen e máscara, tierra, agua de la isla de La Gomera, lo vamos a poder utilizar para obtener esos mismos pares de y de estos pares, no para obtener esas máscaras, tierra, agua para cualquier otra imagen que le demos al modelo. Entonces a continuación lo que vamos, lo que hacemos ya una vez que ya tenemos ese modelo que sería a partir de aquí, ese modelo entrenado, lo que hacemos es aplicar ese modelo. Entonces para aplicar ese modelo lo primero que hacemos es volver a utilizar esa malla que habíamos definido alrededor de la de la línea de costa grosera que teníamos inicialmente y descargamos imágenes, aplicamos el modelo, ya tenemos esa malla, lo que tenemos, esas esas máscaras, tierra, agua para toda esa, para toda esa geografía, esa máscara. Y a la vez aterrizamos esos vectores, los unimos, hacemos un parafraseado y de forma automática obtenemos, obtenemos la línea de costa para en este caso las Islas Canarias. Centrándonos en lo que sería la Isla de La Palma, tenemos que para la isla de La Palma, pues se han tenido que utilizar un total de 70 imágenes descargadas del servicio de mapas del Google Earth y obtenemos El resultado final viene a ser esta esta geometría que tenemos aquí a la derecha. No se ve muy claramente, porque aquí yo he querido resaltar lo que sería la diferencia entre la que sería la la línea de costa inicial que partíamos, que es muy grosera, se ve por aquí en morado y sobrepuesta sobre ella está la línea de costa obtenida con este procedimiento, la nueva, donde aquí vemos que la línea que teníamos inicialmente, pues era una línea que estaba definida por solamente 42 puntos. Sin embargo, ahora mismo esa línea de costa está definida con 199.805 puntos y está bueno, pues es una línea con una resolución bastante grande y sobre todo muy, muy sujeta. O sea, con mucha precisión a lo que es la geometría real de la de la de la isla. Y eso se ha obtenido de una forma, de una forma automática, que es lo bueno. O sea, no nos ha, no nos ha supuesto demasiado esfuerzo. Y bueno, pues dicho esto, con eso ya tendríamos nuestro modelo. Ahora pues bueno, aquí lo que mostrábamos es una secuencia de una secuencia de imágenes de a dos soldados donde se mostraría lo que sería la evolución de De la Álava desde instantes antes de antes de que momentos antes de que se produjera la erupción del volcán, que sería esta imagen del 22 de mayo. A continuación, otra del 30 de septiembre al 7 de octubre y hasta el 31 de diciembre, donde allá donde ya el volcán había dejado de de soltar lava. Y bueno, pues aquí vemos que se este volcán lo que produjo entre muchas otras cosas, fue una unos cambios en lo que es la geografía, la línea de costa de la isla de La Palma, formando estas dos páginas que vemos aquí. Y esas dos faunas tienen una superficie total de 482.606 metros cuadrados de terreno ganado al mar. Está esta parte de aquí abajo, esta fauna que sería lo más, la más grande, tiene una superficie de 44 hectáreas, es decir, que recientemente, no hace mucho, en el mes de septiembre, el Instituto Cartográfico ha incluido está esta página como. Como dominio público, como. Como clase, como una nueva que domina la parcela nueve 9004, con esa referencia catastral que pongo aquí abajo. Es una está considerada como clase rústica de uso agrario. Bueno, es una fauna de lava y bueno, pues si queréis consultarlo ahora mismo podréis ir directamente a la página de inicio gráfico y veréis, veréis esa información. Y bueno, pues pues deciros que hasta aquí estaría lo que sería el caso querido mostrar, pero bueno, esto no sería todo. Quería ya mostraros otras aplicaciones, otros modelos de inteligencia artificial que utilizamos en el geo SAT que pueden ser aplicados a nuestras imágenes y creo que que serían de utilidad para este, para este caso de uso o para este, para este accidente que fue la que fue la la erupción del volcán de La Palma, que pueden aportar algo como sería el caso de la Súper resolución. El caso de la solución de súper ejecución es un modelo que aplicábamos al principio de nuestros inicios como como departamento de innovación dentro de Rosa aplicado de nuestras imágenes, saltos. Y el objetivo no era más que que ganar nitidez en nuestras imágenes. Entonces, a partir de nuestras imágenes, aplicando un modelo de inteligencia artificial, pues hemos sido capaces de partiendo de una imagen de de un metro de resolución. ¿Si en este caso pongamos 100 centímetros, esto sería un trocito de lo que es la imagen anterior de la de la Isla de La Palma, Hemos sido capaces de tener una imagen final? La verdad es que no se ve muy claramente. Seguramente desde allí si te acercas más, pues verás que realmente, pues la resolución de la imagen es bastante apreciable. En esta imagen de la izquierda se ve una imagen muy pixelada. Aquí se ve una imagen bastante, bastante más nítida, con bastante más, más suave. Y esta imagen en concreto está generada a 25 centímetros de resolución por razones de calidad dentro de lo que es la empresa a nivel comercial se ofrece esta imagen a 40 centímetros Resolución No se llega a 25. Se podría llegar a más, pero claro, es estirar mucho el modelo y lo que va ganando un sitio lo vas perdiendo de otra. Entonces, como queremos mantener lo que es la calidad biométrica para poder utilizar esos datos de manera física, no hemos querido forzar demasiado el el modelo, o sea que nos hemos quedado en 40 metros, pero podríamos ir más. Yo aquí he querido ir a los millones de euros para que a nivel visual, desde lejos, desde largas distancias, se pudiera ver. Bueno, he dicho esto, otro modelo que ahora mismo estamos utilizando en nuestra empresa, César, sería el un modelo que se denomina SAP, es un modelo de segmentación. Esas son las siglas de. Es un modelo que recientemente ha liberado el la empresa o la parte de inteligencia artificial de la empresa. Meta La empresa meta es la heredera de de Facebook. ¿Entonces sí, sí sabéis que es eso de Facebook? Pero bueno, creo que los mayores sí la la empresa de Mark Zuckerberg. Este modelo lo que tiene es que hay muchos modelos de segmentación. Este modelo de segmentación tiene una cosa que le metes cualquier cosa es como el GPS, pero en la segmentación. Entonces aquí le metes cualquier cosa y él te da una segmentación, te da una, te dentro de una imagen. Bueno, en principio estaba pensado para fotos, pero luego ha salido un modelo adaptado para imagen geoespacial. ¿Qué es lo que nosotros utilizamos? ¿Y ese modelo para imagen geoespacial? Pues le metes esa imagen geoespacial y te permite segmentar una imagen y en esa imagen pues vas a poder caracterizar lo que serían las distintas parcelas que aparecen en esa imagen. Esto nos es muy útil porque aquí a lo que os estoy poniendo es una imagen del antes y el después del del volcán de La Palma. Entonces aquí vemos muy claramente lo que serían parcelas, edificaciones o o en este caso gran parte de las cosas que se destruyeron fueron plantaciones o plantaciones de de plataneros o o temas así. No voy a entrar en esa época, tampoco voy a meter la pata. Entonces Bueno, pues aquí podríamos muy, de una manera muy rápida, tener muy claro todo aquello que que se destruyó, todo aquello que fue cubierto por la lava. Todo esto que vemos aquí en negro fue la lava, pero la zona que se ha destruido, exagerado. Y bueno, ya finalizando mi presentación mostraros una imagen de el antes y el después donde se ve todo lo que fue la la erupción es hacer una imagen delante, es como era antes la la isla de la Palma en esta parte de la zona suroeste de la isla afectada por el volcán. Y esto es como quedó, Cómo está ahora mismo una catástrofe. Y bueno, pues con esto termina mi presentación. Muchas gracias por la atención, eh. Estoy disponible mi compañera también para cualquier pregunta que queráis formularnos y muchas gracias Muy si tenéis preguntas y bueno, yo tenía una pregunta sobre las posibles salidas laborables de cara a trabajar en como egresados de esta escuela, tanto en el grado de geométrica como en el de tecnología geoespacial. ¿La pregunta te la voy a hacer yo a ti Cuántas ganas tienes de trabajar en esta área? ¿Te gusta? ¿Hay opciones? Es verdad que ojo, somos una empresa privada, eso que quede claro, es que no tenemos vínculos con la Universidad de Valladolid, pero toda la gente que viene como becario se forma como becario de Geo, SAT, Paraje o SAT para tener un una salida. Si te gusta te quedas. Vas a crecer un montón, pero vas a trabajar también mucho. Vale esto lo bueno que tiene es que tenemos tantas cosas que hacer y esto da tanto de sí que podrías hacer lo que más te gustase. Es más, no estábamos hablando antes con el profesor Iñigo. Este señor de aquí empezó montando la antena de AT y ahora está haciendo inteligencia artificial. Si quieres trabajar aquí hay espacio Alguna más por ahí, chicos o no tan chicos. Vale. Eh, soy Miguel Ángel Manso, también profesor de la escuela. Estoy trabajando con temas de y aplicándolo a imagen visible, al menos. Básicamente estamos extrayendo carreteras y demás. Cuando. ¿Cuando habéis hecho el caso práctico de las imágenes para extraer la línea de costa en las En el dataset de entrenamiento, las teselas que habéis puesto no tienen solape, verdad? Sí, sí, sí. Tiene un pequeño solape. Es que la segmentación semántica, aunque sean modelos o seres net o lo que sea que no habéis especificado que que rece y debajo o ligne net set snet. El modelo red está hecho sobre una base con un tapón de con 34 34. Cuando no hay solape en los bordes. La segmentación semántica funciona mal. Ese detalle parece tonto, pero es muy importante. ¿A qué han estado trabajando? Pues ahora mismo, a ver, para este caso concreto hemos estado trabajando sólo los datos de las dudas que nos ofrece el lo diré. El servicio de mapas de Google es de los datos que hemos estado descargando. Es una resolución de un metro a un metro. Vale, luego la vez teorización te habrá quedado fea. No, no, no ha quedado mal. A ver si que es verdad que al ser datos etiquetados, al ser etiquetados hay algunas partes que que te metes cosas por cosa que no, ya que se te ha metido un bucle que ya la segmentación automática que hemos hecho con el modelo que a mí me vale supervisado, vale, no me refería yo. ¿Luego ya una vez que hemos hecho ese modelo, luego la segmentación a la que tentación ha quedado bastante bien, eh? La diferencia, la diferencia. Si la inferencia final ha quedado bastante bien, pues también es verdad que en este caso hemos trabajado al final con esos datos de del modelo array. Vale, cuando ya nos vamos a imágenes de satélite, entonces sí que tenemos que tener en cuenta otra serie de peculiaridades en este, en este caso, al trabajar con esas imágenes, este Terrain, la segmentación ha sido bastante, bastante buena. Bastante buena la verdad. ¿Y solo habéis entrenado con los de una isla, no habéis utilizado distintos tipos de texturas? No, porque es que es una cosa que no he hecho, es una cosa que he dicho que aquí me he centrado solamente en las Islas Canarias. No he ido a globalizar. Si hubiera querido globalizarse así que hubiera tenido que haber hecho un dataset variado, teniendo en cuenta distintas partes del mundo, distintas caracterizaciones. Entonces en este caso yo como en vez de enteraba solamente la Isla de La Palma, en el caso de uso era enfocarme solamente en mar, algo muy concreto era algo muy sencillo. Entonces va a tener el el dataset del conjunto de datos de entrenamiento y me centré en una en otra isla que es la isla de La Gomera, que es una isla muy próxima. Entonces no tuve tampoco, a mucha diferencia de el origen del mismo volcánico. ¡Enhorabuena! Y ya puestos, y yo quería preguntar aquí con el la línea de la costa, pues algunos datos eran de pleamar, otros de bajamar. ¿Qué? ¿Qué? ¿Cómo se plantea eso? Porque esa resolución, si hay diferencias, si cada que hay diferencias, si a ver, cada una de ellas depende, depende del estudio que quieras hacer, si lo que quieres hacer es un estudio de de diferencias o erosión de la línea de costa, pues te tienes que centrar mucho en un algo muy concreto, porque la la la erosión de la isla de Costa y el depende cuando capturar las imágenes, pues va a haber mucha diferencia. Depende de si sea pleamar, no va a haber, va a tener mucha diferencia. Pero a ver, es que el objetivo era tener solamente lo que sería una línea de costa para de alguna manera caracterizar de una forma geográfica esa línea de costa para una manera de de esto. En nuestro caso concreto, el primer ejercicio que quisimos emplear esto era para un modelo que estábamos entrenando, que era el modelo de detección de barcos. Entonces teníamos un problema de que ese modelo de detección de barcos lo que nos hacía era muchas veces obtener falsos positivos dentro de tierra. Cuando estábamos tratando puertos no tenía modelo. Entonces que tenías que hacer por el meter, meterle una máscara, meterle algo que te dijera que era tierra, que era agua. ¿Entonces no teníamos una manera inicial de obtener esa máscara entonces y si tirabas de de datos de línea de Costa Públicas? Pues no tenías esa definición en muchas zonas del mundo. Entonces era mucho mejor tener nuestra propia línea de costa muy bien marcada, que nos permitiera hacer una discreta ización de esos falsos positivos y eliminar esos falsos positivos. Entonces, para ese tipo de ejercicio, pues sí, pero si lo que queremos hacer es un estudio de erosión de la línea de costa, pues bueno, eso es otra cosa. Estamos nosotros para hacer ese estudio más pormenorizado. Si mirando puertos que cambian constantemente. Además hay zonas en en Australia que están cambiando los bancos de arena constantemente y ya vamos con toda la potencia y se cogen imágenes ya de manera adhoc. Es decir, cuando está la marea alta aquí va a haber pasarelas, pero está todo. No es una solución rápida para no, eso ya es algo muy pormenorizado. Esto es verdad que sale justo de esa necesidad de decir oye, es que cada vez que vamos a hacer la detección de barcos nos sale todo lo que está en la Tierra. Tiene que haber alguna forma. Nos vamos a buscar las líneas de costa a los Open source y vemos que son, con perdón, una castaña. Pues vamos a hacerlo en la nuestra y de ahí sale todo. Intentando solucionar una cosa, empezamos a encontrar otras. Son conceptos completamente distintos. Cuando dijeron que se toman imágenes desde satélites y que se pueden hacer mediciones sobre esas imágenes. Por ejemplo, si una persona quiere hacer un proyecto y quiere tomar las imágenes, no quiero decir las mediciones de una zona, yo puedo coger esas imágenes y tomar mediciones, o sea, de cualquier parte de Si te refieres a lo que tenemos en catálogo, si estás pensando algo que esté fuera de España, si por ejemplo Islandia, Islandia, lo que tendrías que hacer es ir a través de hacer parte inicial y ver si lo tenemos en el catálogo. Y una opción de la ESA que te permite lanzar una pequeña área y que nosotros te la capturemos y luego ya tú la recoges de los servidores de las. Y eso es totalmente gratuito. ¿Podrías pasar la diapositiva por favor? Es que es que luego pasan el vídeo ya es esa. ¿También dijiste que tenían en Chile, verdad? Sí, sí, tenemos que ver. Tenemos. A ver. Está todo lo que hay en catálogo, Tú lo puedes buscar a través de un área desde el 2014, tú buscas y te dice lo que hay. Tenemos también un catálogo externo de SAT. Si entras dentro de la web de SAT hay un catálogo externo, pero luego las reglas de petición de la ESA las tienen publicitadas. Es tan sencillo como entrar, rellenar un formulario, buscar, ver si lo hay y lo que vas a tener. Es una imagen harto rectificada por nosotros. ¿Tan sencillo? ¿Es una duda o no va a ser? Y yo tengo entendido que, por ejemplo, un ingeniero civil necesita hacer mediciones, no, esto podría servir muchísimo, pero no es como digo, podría. No se necesita medir un área para hacer un puente. Podría utilizarlo como herramienta. Sería una capa adicional. Claro. Vale. Muchísimas gracias. Después de medidas, estamos chicos. Gracias. Creo que ha sido ya la última charla antes de final de año. Gracias por. Por atendernos a vosotros. Por invitarnos. Ha sido un placer. Y.