Programa del congreso

La presencia de nubes durante el registro de imágenes ópticas de satélite, dificulta la monitorización continua de la superficie terrestre. Sin embargo, la disponibilidad de imágenes ópticas y de radar de apertura sintética (SAR) de la constelación Sentinel, así como el crecimiento de las técnicas de aprendizaje profundo en los últimos años, han permitido el desarrollo de nuevos métodos para restaurar imágenes ópticas contaminadas por nubes. Aunque existen varios modelos de eliminación de nubes en la literatura, parece haber una falta de atención a las regiones montañosas e intrincadas cuya superficie es compleja presentando una topografía irregular, como valles profundos y pendientes pronunciadas. Este estudio introduce una novedosa aplicación de un modelo U-Net adaptado para la eliminación de nubes en paisajes montañosos, centrándose específicamente en la región norte de la Patagonia chilena. El enfoque propuesto aprovecha los datos de un Modelo Digital de Elevación (DEM) y las imágenes de Sentinel-1 (S1) para reconstruir los píxeles contaminados por nubes en las imágenes de Sentinel-2 (S2). El modelo propuesto es capaz de restaurar con éxito diez bandas de S2 a su resolución espacial original, incluyendo cuatro bandas a 10 metros y seis bandas a 20 metros. Los resultados visuales y numéricos indican la capacidad del modelo para remover de forma efectiva tanto nubes finas como gruesas y sus sombras. El modelo propuesto resulta eficaz para distinguir la nieve de las nubes y destaca incluso en la eliminación de nubes densas, lo que demuestra su potencial para mejorar el análisis de imágenes de satélite en entornos montañosos difíciles.

Este trabajo tiene como objetivo corregir los sesgos persistentes de las salidas de los modelos de predicción numérica de tiempo (PNT) de los pronósticos del viento superficial marino. Para poder modelar estos sesgos se evalúan diferentes modelos de aprendizaje automático (AA) y de redes neuronales que se entrenan con los datos derivados de las observaciones por dispersómetros. Para generar las predicciones de los sesgos y aplicar las correcciones a las salidas de PNT, los modelos de AA utilizan varios parámetros de la propia PNT y otros modelos oceánicos como entradas. De esta manera las correcciones de los errores de PNT no dependen de la disponibilidad de observaciones y pueden ser aplicados tanto para uso operacional como para el desarrollo de series temporales largas de datos de forzamiento oceánico. Los resultados muestran que dichos modelos pueden reducir sustancialmente los sesgos locales de los modelos numéricos y, por lo tanto, su varianza de error.

El objetivo de este trabajo es realizar una aproximación a un modelo global del efecto isla de calor urbano superficial (SUHI) en las principales ciudades de España en el año 2021 para obtener una estimación del incremento de la temperatura superficial en cada ciudad, centrándose especialmente en la distinción entre las zonas urbanas y las zonas rurales circundantes. Para medir la diferencia de temperatura se ha utilizado la temperatura de la superficie terrestre (TST) derivada de los productos MYD21 y MOD21 de los satélites MODIS Aqua y Terra, respectivamente. A pesar de la limitada resolución espacial de 1 km por píxel de los productos utilizados, el enfoque propuesto intenta superar esta restricción aplicando métodos estadísticos avanzados, como el uso de redes U-Net, una arquitectura especialmente diseñada para tareas de segmentación de imágenes. Este enfoque innovador tiene el potencial de ofrecer precisiones notables en la clasificación y segmentación de imágenes, contribuyendo así a una comprensión más profunda de la SUHI en entornos urbanos. Este modelo utiliza mecanismos de codificación-decodificación, estableciendo enlaces directos entre las dos fases, permitiendo una transferencia de información detallada, disminuyendo el coste computacional y temporal, con precisiones del orden del 85% al 90%.

La flora marina, en especial las praderas marinas y praderas de algas, posee un rol esencial en la sostenibilidad de los ecosistemas globales. Por esto, existe una elevada necesidad en generar herramientas que permitan monitorizar de forma precisa la evolución de la flora marina. La teledetección por satélite es una tecnología eficiente y económica para poder generar mapas de hábitats bentónicos o de tipos de fondos, permitiendo caracterizar los fondos a lo largo del tiempo. Para la generación de estos mapas, en la actualidad típicamente se implementan técnicas basadas en píxel, como modelos Machine Learning convencionales, y otras técnicas basadas en objetos, como el OBIA. No obstante, el avance de las técnicas Deep Learning puede permitir entrenar modelos que aprovechen mejor las características de los fondos marinos para la generación de mapas de mayor precisión. En este trabajo se expone el uso del modelo U-Net, basado en Redes Neuronales Convoluciones (CNN), para la generación de mapas de hábitats bentónicos. La zona de estudio es El Río, estrecho entre las islas de La Graciosa y Lanzarote, islas Canarias, donde existe una elevada biodiversidad con la presencia de multitud de especies como praderas de Cymodocea nodosa, Caulerpa prolifera y algas rojas filamentosas, entre otras especies.

El Acuerdo de París tiene como objetivo limitar el aumento de la temperatura global a menos de 2ºC por encima de los niveles preindustriales, con esfuerzos adicionales para mantenerlo dentro de 1.5ºC. El uso de la tierra, cambio en el uso de la tierra y silvicultura (LULUCF, por sus siglas en inglés) puede contribuir a la mitigación del cambio climático al reducir emisiones y gestionar sumideros de carbono, impactando significativamente la biodiversidad y los servicios de los ecosistemas. El objetivo principal de este estudio es evaluar la fiabilidad con la que un modelo de aprendizaje automático, específicamente el algoritmo Random Forest, generaliza y predice las categorías de uso del suelo en toda España. Para lograr esto, primero estimaremos las categorías de uso del suelo y cambio en el uso del suelo (LULUCF) basándonos en el mapeo del Sistema de Información de Cobertura y Uso del Suelo Español (SIOSE). Los resultados revelaron un rendimiento prometedor con una precisión del 0.77, un puntaje F1 de 0.76 y un coeficiente kappa de 0.73. Además, el análisis de las clases predichas por el modelo muestra un rendimiento destacado en la identificación de áreas artificiales y áreas forestales, así como a nivel de especies. En general, todos los polígonos muestran una buena clasificación de las diferentes categorías de cobertura del suelo.

El sector de la acuicultura del mejillón en Galicia es un sector con una gran relevancia socioeconómica, situándose la región entre el segundo y tercer puesto de la producción mundial. En los últimos años se ha ido registrando una escasez de semilla de mejillón en el medio natural gallego que ha derivado en conflictos con otros colectivos que comparten el mismo espacio para su actividad. En este trabajo se muestra los resultados obtenidos en la fase de implementación de un sistema para la gestión integral del intermareal rocoso orientado a la detección y monitorización de mejilla y otras especies cohabitantes en la costa gallega, apoyados en el uso de UAV y algoritmos basados en inteligencia artificial.

La Posidonia oceanica es una planta marina, endémica del Mar Mediterráneo, considerada un buen bioindicador de la calidad de las aguas. Para su supervivencia, entre otros, necesita la luz solar para el proceso de fotosíntesis, por lo que generalmente puede encontrarse en aguas costeras en un rango de profundidad situado entre los 5 m y 40 m. El hábitat de la Posidonia oceanica está fuertemente afectado por diversos factores como son, el cambio climático, la acidificación de los océanos, la invasión de especies exóticas y sobre todo por la actividad humana (pesca, construcciones marinas, industria, acuicultura, etc.). Por este motivo, es necesario poder hacer un seguimiento continuo de las extensiones y estado de las praderas. El presente trabajo demuestra la viabilidad de proporcionar, a partir de imágenes satelitales, la localización y evolución de las praderas de Posidonia oceánica. Esto se consigue mediante la automatización de las distintas fases del procesado, comenzando con la descarga de las imágenes satelitales, pasando por la ejecución de los algoritmos de clasificación, hasta la obtención de la cartografía de la zona de interés.

En este trabajo se ha analizado la capacidad de dos algoritmos diferentes, el método tradicional conocido como Stumpf y una red neuronal artificial, para estimar la batimetría derivada de satélite (SDB) de varias zonas diferentes de las Islas Baleares. También se ha evaluado la capacidad de estos mismos métodos de predecir las batimetrías de años consecutivos y posteriores a la calibración de los algoritmos, e incluso estimar la profundidad de otras zonas diferentes a la utilizada para la calibración de los modelos. La zona de estudio para este trabajo se centra en el Mar Mediterráneo, y más concretamente en las playas de Cala Millor y Son Bou situadas en Mallorca y Menorca respectivamente. Para este estudio se utilizaron medidas de profundidad in-situ, recopiladas por ecosondas, para entrenar y validar los algoritmos. Las métricas de evaluación del desempeño de los algoritmos incluyeron el coeficiente de determinación (R2), el error cuadrático medio (RMSE), el error absoluto mediano (MedAE) y el error de sesgo medio o bias (MBE). Los métodos examinados muestran una gran consistencia en todas las secciones presentadas, obteniendo muy buenos resultados, R2 ≥ 0.8 y RMSE ≤ 1.5 m, incluso cuando predecimos la batimetría a 2 años vista o cuando predecimos la profundidad de un área de estudio no utilizado en la calibración de los modelos. Ambos modelos también han demostrado ser perfectamente capaces de estimar tanto las profundidades someras (<10m) como las superiores (>10m), no mostrando ningún error de sesgo destacable incluso cuando el rango de profundidades llega hasta los 20m.

La biomasa es una variable ecológica clave a la hora de comprender el ciclo del carbono y evaluar los ecosistemas. La cobertura de vegetación tiene un rol clave en la captura de carbono, siendo un aspecto fundamental en la mitigación de los impactos del cambio climático. Pero los bosques no solo son almacenes de carbono, sino que también pueden transformarse en fuentes considerables de carbono por en condiciones como la deforestación, cambios de uso de suelo e incendios forestales. El presente estudio, aborda los impactos del incendio forestal ocurrido en la Isla de Tenerife el verano del 2023, realizando un análisis predictivo para estimar la biomasa antes y después de éste y una aproximación de las emisiones de CO2 a partir de la pérdida de vegetación.

En la actualidad, es posible acceder a diversas bases de datos globales de forma sencilla gracias al estándar STAC (Spatio Temporal Asset Catalog) que es cada vez más utilizado. STAC es un estándar abierto que simplifica la búsqueda y uso de imágenes para análisis escalables. En el presente caso de estudio se aborda el uso de STAC para acceder a diversas colecciones de datos de teledetección, como imágenes satelitales Landsat-8 y 9, datos GEDI (Global Ecosystem Dynamics Investigation) que otorga mediciones verticales que pueden ayudar a comprender la distribución y evolución de la biomasa.

La combinación de estas fuentes de datos globales de gran relevancia junto con herramientas de análisis avanzado de imágenes permite completar el objetivo central del presente estudio, que es mapear la biomasa y emplear un modelo de predicción de una capa continua y de esta forma comprender de una forma más detallada la cobertura de biomasa y tener una mejor aproximación de las emisiones de CO2 generadas a partir de la pérdida de Biomasa a raíz del incendio forestal de Tenerife, ocurrido el verano de 2024.

Además del componente analítico, se mostrarán las capacidades que ofrece la tecnología de Esri para crear aplicaciones divulgativas como cuadros de mando y visores de mapas que permitan compartir los resultados de los análisis realizados y contribuyan a facilitar la toma de decisiones para mitigar los impactos del cambio climático.

Palabras clave: Incendio Forestal, ArcGIS, STAC, Imágenes Satelitales, GEDI, Deep Learning, Machine Learning, ArcGIS for Microsoft Planetary Computer.