Hasta hace algunos años, las aplicaciones espaciales estaban dominadas en su totalidad por los gobiernos y las grandes corporaciones de defensa de los países desarrollados. Por lo tanto, podríamos esperar que el uso de nuevas tecnologías en el espacio como la  inteligencia artificial también estuviera dominado por las grandes corporaciones. Sin embargo, eso no es así. En la actualidad muchas empresas emergentes están aplicando técnicas de inteligencia artificial para analizar las grandes cantidades de datos que proporcionan diariamente las nuevas constelaciones de satélites de observación de la Tierra  como las de Planet, BlackSky, DigitalGlobe y otras. Estas plataformas envían diariamente terabytes de imágenes de nuestro planeta que se procesan por técnicas de inteligencia artificial y que proporcionan información previamente inaccesible sobre procesos ambientales, económicos y sociales a escala global.

Esta revolución en el sector espacial está siendo impulsada por varios factores entre los que se encuentran:

1. Los avances en la visión artificial en los últimos años permiten realizar tareas como la identificación de caminos, líneas de transmisión eléctrica o cambios en el paisaje a lo largo del tiempo de manera automática con una confiabilidad y rapidez no antes vista y a precios cada vez más bajos.

2. La capacidad para procesar información geoespacial de manera manual está siendo sobrepasada por la gran cantidad de datos que producen las nuevas constelaciones de satélites de observación de la Tierra y esta cantidad está creciendo de manera exponencial.

Lo anterior, hace que las técnicas de inteligencia artificial converjan de una manera natural con la observación de la Tierra y nos estén dando una gran cantidad de aplicaciones a través del llamado aprendizaje automático (Machine Learning o ML por sus siglas en inglés). Una técnica que se enfoca a la detección de objetos específicos dentro de una imagen satelital o a los cambios que suceden con estos objetos en el tiempo.  

¿Qué es el aprendizaje automático?

El aprendizaje automático es una disciplina de la inteligencia artificial que proporciona a los sistemas capacidad de aprender de manera automática y mejorar su desempeño a través de la experiencia sin la necesidad de ser programados explícitamente para realizar una tarea específica. A través del aprendizaje automático se pueden realizar tareas como  identificación de formas, clasificación de objetos y determinar sus cambios en el tiempo, entre otras cosas, que tradicionalmente han requerido de operadores humanos para llevarlas a cabo.

El aprendizaje automático puede ser de tres tipos: aprendizaje automático supervisado, en donde se requieren datos etiquetados, es decir ya identificados previamente, para “entrenar” a la máquina a reconocerlos; también existe el aprendizaje no-supervisado, el cual utiliza datos no etiquetados para aprender; y, finalmente, está el aprendizaje por reforzamiento, en donde el sistema aprende por sí mismo a través de realizar intentos y corregir sus errores.

Como ejemplo, consideremos que queremos implementar un sistema de aprendizaje automático supervisado para identificar objetos en un mapa, digamos árboles. Para lograrlo, requeriremos de dos ingredientes: un algoritmo de aprendizaje automático, y un conjunto de datos conocidos para “entrenarlo”. Los datos conocidos son en este caso imágenes de árboles previamente identificadas (etiquetadas) así como el conjunto de atributos de cada imagen, digamos, el número de pixeles, la distribución de colores en cada pixel, etc,

Fig. 1 Aprendizaje automático supervisado

Una vez realizado el entrenamiento, el algoritmo de aprendizaje genera un modelo matemático que se ajuste de la mejor manera posible a las relaciones entre los datos con lo que lo alimentamos. Una vez que tengamos el modelo, podremos usarlo para identificar nuevos objetos. El modelo procesará los datos asociados a los nuevos objetos y dependiendo de qué tan bien se ajusten al modelo generado, el sistema decidirá si el objeto es o no un árbol.

Aplicaciones del aprendizaje automático

Algunos campos en donde el aprendizaje automático es esencial para mejorar la toma de decisiones basadas en las imágenes satelitales, son las siguientes:

Sensado del ambiente,

Agricultura,
Monitoreo de recursos naturales como recursos hídricos, bosques, etc.,

Cambio climático,
y muchos más.
 

Por ejemplo, la información sobre edificios, segmentos de carreteras y límites de la mancha urbana es muy importante para muchos usuarios, tales como organizaciones de gobierno, la milicia y las agencias de protección civil. Otro ejemplo es la detección de cambios, lo cual tiene numerosas aplicaciones en áreas como la agricultura, la administración de la infraestructura urbana y la solución a problemas ambientales como la deforestación.

Empresas pioneras

Como mencionamos al principio, la mayoría de las empresas que están usando técnicas de inteligencia artificial para dar servicios basados en imágenes de observación de la Tierra, son casi todas de nueva creación y difieren del modelo tradicional de empresas espaciales. A continuación describimos algunas de ellas:

Planet www.planet.com

Planet es una empresa con base en San Francisco, California, que desarrolló su propia constelación de satélites de observación de la Tierra bajo el modelo CubeSat. Actualmente opera una constelación de más de 150 satélites que proporcionan una imagen de resolución media de toda la Tierra al día. Para procesar los grandes volúmenes de información generada, Planet desarrolló una solución de aprendizaje automático llamada Planet Analytics, que aplica algoritmos de aprendizaje automático a imágenes satelitales para detectar y clasificar objetos, localizar características topográficas y geográficas y monitorear sus cambios en el tiempo. Como ejemplo de estas aplicaciones están: la detección de embarcaciones y aeronaves, la generación de alertas de deforestación, el pronóstico del rendimiento de cultivos, y  la detección de nuevos caminos y construcciones en tierra, entre muchas otras.

BlackSky www.blacksky.com

Fundada en 2013, BlackSky es una empresa con base en Seattle, Washington, que integra al análisis automático de imágenes satelitales, datos sobre sensores en Tierra, drones, redes sociales, noticias y otras fuentes para extraer información de utilidad para aplicaciones muy específicas como por ejemplo, podría hacer supervisar una instalación remota y enviar alertas si se detectan desastres causados por fenómenos naturales o conflictos dentro de un radio de 50 kilómetros.

Actualmente BlackSky está desarrollando su propia constelación de 60 minisatélites de observación de la Tierra que proporcionarán imágenes de color con una resolución espacial de 1m y tiempos de revisita de horas.

Descartes Labs, http://www.descarteslabs.com/

Descartes Labs es una empresa nueva con sede en Los Álamos, Nuevo México, que usa el aprendizaje automático para analizar imágenes satelitales para predecir el suministro de alimentos meses antes que los métodos actuales empleados por el gobierno de los Estados Unidos, una técnica que podría ayudar a predecir crisis alimentarias antes de que ocurran.

Descartes Labs extrae imágenes de bases de datos públicas como Landsat y MODIS de la NASA, las misiones Sentinel de la ESA y otros proveedores privados de imágenes satelitales como Planet. También controla los conjuntos de datos públicos de Google Earth y Amazon Web Services. A este servicio, Descartes Labs lo ha bautizado como el 'Atlas viviente del planeta´.

Fig. 2 Estimación de la salud de cultivos de maíz en Iowa, Estados Unidos, producidos por su reflectancia al infrarrojo. Cortesía de Descartes Labs.

El futuro

Aunque hay mucho avance en la detección automática de imágenes utilizando técnicas de inteligencia artificial, las herramientas actuales todavía no están optimizadas para imágenes satelitales, por lo que es necesario desarrollar más técnicas. Por ejemplo, las imágenes satelitales deben ser normalizadas para iniciar el proceso de detección. Esta es una tarea difícil ya que las imágenes satelitales se ven afectadas por cambios en la atmósfera, la iluminación, el ángulo de las tomas, etc. Por otra parte, en la mayoría de los casos, los objetos de interés en las imágenes de satélite suelen ser muy pequeños, del orden de 20 pixeles, mientras que las imágenes de entrada son enormes (a menudo cientos de megapíxeles). Los métodos de reconocimiento actuales no están optimizados para detectar objetos pequeños en imágenes grandes y, a menudo, tienen un rendimiento pobre cuando se aplican a datos de observación de la Tierra. Adaptar estos métodos a las diferentes escalas y objetos de interés en imágenes satelitales es un área de investigación todavía en relativa infancia, pero que ofrece una gran oportunidad para generar nuevas empresas que se dediquen a resolver estos problemas.