Programa del congreso

SIRIUS es una misión candidata al programa SCOUT de la ESA concebida para avanzar en la comprensión de los procesos de la Isla de Calor Urbana (UHI) mediante adquisiciones nocturnas repetibles sobre ciudades seleccionadas y observaciones multiangulares con geometría de visión controlada. La misión se basa en un satélite pequeño y ágil equipado con un sensor compacto no refrigerado (Smart-TIRI) con tres bandas en el infrarrojo térmico centradas en 8.85, 10.6 y 12.0 µm, lo que permite la estimación conjunta de la temperatura y la emisividad de la superficie (LST/LSE) mediante el algoritmo de separación temperatura–emisividad (TES). Con un muestreo espacial de 64 m y un ancho de barrido de aproximadamente 64 km, SIRIUS generará productos específicamente orientados al análisis de la UHI desde el Nivel L1 hasta el Nivel L3 (LST/LSE, SUHI, UTFVI, detección de puntos calientes e índice de Disconfort térmico), en complementariedad con las misiones térmicas LSTM, TRISHNA y SBG.

El Escaneo Láser Terrestre (TLS) permite estimar la distribución en el dosel de variables estructurales forestales como LAI y LAD. Sin embargo, la fusión de múltiples escaneos puede eliminar la perspectiva original de adquisición, limitando modelos basados en ángulos. Este trabajo propone un enfoque geométrico que reconstruye las posiciones de escaneo mediante el cono ciego del trípode, combinado con indexación angular adaptativa (AIX) y trazado angular con propagación kNN 3D. El método alcanzó un RMSE medio de 2 cm y redujo el espacio de búsqueda al 0.055 ± 0.01% de la nube, acelerando las consultas hasta 1157 veces.

La tercera cobertura del PNOA-LiDAR proporciona nubes de puntos de alta densidad que permiten mejorar la clasificación por usos y coberturas del suelo del territorio. Este trabajo presenta un enfoque híbrido para la clasificación de nubes de puntos LiDAR, basado en la combinación de técnicas de Deep Learning (DL) y postprocesado, aplicado a datos de Extremadura. El método emplea un modelo de DL entrenado sobre un conjunto de datos representativo y un proceso posterior de refinamiento mediante técnicas de Machine Learning y análisis espacial. La evaluación, realizada mediante un conjunto de datos independiente, alcanza una exactitud global del 88,2 % y muestra mejoras tras el postprocesado, especialmente en vegetación baja y en infraestructuras lineales como carreteras, ferrocarril y puentes. El enfoque propuesto es iterativo y escalable, lo que facilita su aplicación en ámbitos territoriales extensos.