PREVENT Remote Sensing Theory (UOWM) - ES

Teledetección - Proyecto PREVENT

Teoría

Comenzar

Introducción

"La teledetección es la ciencia y el arte de obtener información sobre un objeto, área o fenómeno a partir del análisis de datos adquiridos por un dispositivo que no está en contacto con el objeto, área o fenómeno que se examina (Lillesand et al. 2003)."Existen muchas formas de definir la teledetección en la literatura. Dos elementos comunes caracterizan este campo científico: a) el concepto de "recolección de información" y b) "observación a distancia" (Campbell, 1987)

Índice

Actividades

Objetivos

Evaluación

Módulos

Encuesta

La teledetección significa adquirir información sobre un objeto sin contacto directo con él

-Gupta, (1991)-

Objetivos

Nuestro objetivo principal es brindarte las herramientas y conocimientos que necesitas para entender tu conocimiento en Teledetección, ya sea que estés comenzando desde cero o quieras mejorar tus habilidades existentes. A lo largo del curso, estarás inmerso en lecciones interactivas, estudios de caso estimulantes y ejercicios prácticos diseñados para reforzar tu comprensión y aplicación de conceptos clave. Al completar el curso, estarás equipado no solo con un sólido entendimiento teórico, sino también con la confianza y capacidad para afrontar desafíos del mundo real en Teledetección. ¡Prepárate para liberar tu potencial y alcanzar nuevos niveles de éxito en tu carrera profesional o académica!

La teledetección difiere de la observación o medición directa en que, en esta, el instrumento de observación específico está dentro o en contacto con el objeto que se mide o investiga, como un termómetro. '

+ info

Módulos

Módulo 2

Módulo 1

Módulo 4

Módulo 3

Investigación Avanzada y Contribuciones NacionalesEste módulo se enfoca en la investigación en aprendizaje profundo y teledetección.

Sistemas y Técnicas de TeledetecciónEste módulo se centra en los diversos sistemas satelitales y sus capacidades en teledetección.

Fundamentos de TeledetecciónEsta sección presenta los principios básicos, desarrollo histórico, beneficios y limitaciones de la teledetección

Aplicaciones y Análisis en TeledetecciónEsta sección enfatiza las aplicaciones y análisis de su papel en la monitorización de cambios en la tierra.

01

Historia de la Teledetección

Imágenes satelitales de inundaciones en Deggendorf, Alemania (antes y después) 2024 https://www.euspaceimaging.com/blog/2024/07/01/satellite-imagery-for-emergency-management/

01

Resumen

Aunque es bastante difícil definir con precisión el punto de inicio de la teledetección y sus fases evolutivas, durante su desarrollo se distinguen cinco etapas principales (Barrett & Curtis, 1992; Swain & Davis,1978). Mientras que la Teledetección (TD) es un campo propio, a menudo actúa como complemento de los SIG análisis, aportando información y técnicas de análisis únicas. Existen dos tipos de TD, activa y pasiva, y generalmente se utilizan para diferentes aplicaciones. La TD activa consiste en enviar una señal y esperar su retorno al sensor. El RADAR y LIDAR son ejemplos de TD activa, ya que envían energía, microondas y pulsos láser respectivamente, y registran las señales al rebotar (Gennarelli G. & Catapano, 2022). A pesar de sus avances significativos, la teledetección enfrenta algunos desafíos que limitan su eficacia en aplicaciones específicas. Los errores en los datos registrados pueden surgir por diversas causas, provocando discrepancias entre los valores reales y los registrados. Además, comprender las complejas interacciones entre la radiación registrada y los objetos objetivo resulta difícil, ya que estas relaciones están afectadas por factores ambientales altamente variables. Las enormes variaciones espaciales y temporales en la atmósfera, litosfera y biosfera, combinadas con los mecanismos complejos de interacción energía-materia, complican aún más el análisis e interpretación precisos de los datos de teledetección.

Resumen Histórico

1925-1945

pre 1925

1945-1955

1955-1960

1960-presente

Avances en técnicas de interpretación fotográfica. Enfocadas en análisis sobre aplicaciones

Sensores avanzados revolucionan la teledetección. La monitorización ambiental se expande rápidamente

Desarrollo de fotografía aérea estereoscópica. Ampliamente utilizada en la Segunda Guerra Mundial para mapeo topográfico

Experimentos tempranos de fotografía aérea. Usada para mapeo estratégico

Las aplicaciones en geología y agricultura se expandieron. Las fotografías aéreas adquirieron uso generalizado

Tipos de Sensores Remotos

Pasivo

Activo

La TD activa implica enviar una señal y esperar su retorno al sensor. Ejemplos: RADAR, LIDAR

Ejemplos Serie Landsat (NASA/USGS) Sentinel-2 (ESA).

Ventajas de la Teledetección

La teledetección se considera una herramienta moderna y especializada que encuentra aplicaciones en muchas disciplinas científicas, incluyendo ciencias ambientales, silvicultura, geología, arqueología, oceanografía, etc.

Cobertura Resumen

Accesibilidad

Cobertura Repetida

Homogeneidad de Datos

Características de Datos Multiespectrales

Duración del Tiempo de Grabación

Forma de Datos Digitales

Costo de Datos

Desventajas de la Teledetección

Datos Grabados

Naturaleza y Mecanismo

Uno de los problemas más graves concierne a los datos grabados, que contienen errores debido a las condiciones atmosféricas, la topografía del área y el funcionamiento del sistema satelital. Estos errores están relacionados con las diferencias entre la radiación reflejada real y la grabada por el satélite. Es muy importante, para la aplicación exitosa de estos datos, adaptar la información lo más posible a los valores reales, especialmente en los casos en que el análisis se refiere a estudios temporales (Barrett y Curtis, 1992; Richards, 1993).

Otro problema que enfrentan los científicos es la dificultad en entender la naturaleza y el mecanismo incluso de relaciones e interacciones muy simples entre la radiación grabada por el satélite y los objetos objetivo. Los cambios que ocurren en las condiciones de la atmósfera, litosfera y hidrosfera son tan grandes en dimensiones espaciales y temporales y los mecanismos de interacción entre energía y materia son tan complejos, que las relaciones simples entre objetos y detectores son difíciles de determinar (Barrett y Curtis, 1992; Sabins, 1997).

02

Sistemas y Técnicas de Sensores Remotos

02

Resumen

Esta sección se refiere a los diferentes tipos y misiones de satélites utilizados para monitorear y estudiar la Tierra. En primer lugar, se describen los sistemas satelitales ópticos como LANDSAT, IKONOS, World View, QuickBird, Pleiades y SPOT, que proporcionan datos detallados para aplicaciones como cartografía, agricultura y gestión de desastres naturales. Luego analizamos los sistemas satelitales activos que utilizan radar, como los satélites ERS y Envisat. Estos satélites proporcionan datos para el monitoreo ambiental y el cambio climático, mientras que TerraSAR-x y Cosmo-Skymed se utilizan para aplicaciones como la gestión de desastres naturales y recursos ambientales. Además, se consideran los satélites hiperespectrales, ejemplificados por EO-1 y el sensor Hyperion, que recopilan datos en múltiples bandas espectrales para un análisis detallado de los materiales en la superficie de la Tierra. Finalmente, nos centramos en el programa Copernicus, una iniciativa de la Unión Europea para monitorear el planeta y el medio ambiente.

Sistemas Satelitales Ópticos

El instrumento MODIS que vuela a bordo del satélite Terra de la NASA reveló las tormentas más poderosas, Fuente: https://blogs.nasa.gov/hurricanes

Sensores Remotos

LANDSAT

Satélite Terra

Óptico

IKONOS

Sistemas Satelitales

ERS

Activo

TerraSAR-x

Hiperspectra

EO-1 y Hyperion

Landsat

Detalles técnicos

Landsat 3

Landsat 2

Landsat 1

Landsat 6

Landsat 5

Landsat 4

Landsat 9

Landsat 7

Landsat 8

ERS

Objetivos

MISIÓN

HERRAMIENTAS ERS

Instrumentos ERS

Programa Copernicus

Copernicus es el segmento de observación de la Tierra del programa espacial de la Unión Europea, dedicado a monitorear nuestro planeta y su entorno en beneficio de todos los ciudadanos europeos. Proporciona servicios de información derivados de la observación satelital de la Tierra y datos in situ (no espaciales).

Siguiente

Programa Copernicus

Grandes volúmenes de datos globales de satélites y sistemas terrestres, aéreos y marítimos que proporcionan información que ayuda a los proveedores de servicios, autoridades públicas y otras organizaciones internacionales a mejorar la calidad de vida de los ciudadanos europeos y más allá.

Sentinel 1

Sentinel 2

Sentinel 3

Sentinel 4-5

Sentinel 6

Sentinel-1A y 1B, cubre toda la Tierra cada seis días.

Sentinel-2 cuenta con un imager multispectral de alta resolución con 13 bandas espectrales.

Sentinel-3 complementa la misión de Sentinel 2.

Sentinel 4 y 5 se centran en monitorear la composición atmosférica.

Sentinel-6 involucra dos satélites: Sentinel-6A y Sentinel-6B.

Sentinel High Level Operations Plan (HLOP)

enlace

¿Qué es el Programa Copernicus?

El cambio climático se refiere a cambios a largo plazo en las temperaturas y los patrones meteorológicos. Las actividades humanas han sido la principal causa del cambio climático, principalmente debido a la quema de combustibles fósiles como el carbón, el petróleo y el gas.

03

Esta imagen apareció originalmente en la Observación de la Tierra de la NASA Historia: Corriente en el calor de París, Datos adquiridos el 7 de junio de 2024. https://visibleearth.nasa.gov

Aplicaciones y Análisis en Teledetección

03

Resumen

La teledetección desempeña un papel vital en la monitorización y mitigación de desastres naturales. La estimación de humedad del suelo mediante sensores activos y pasivos ayuda a predecir inundaciones, deslizamientos de tierra y gestionar los recursos hídricos. Técnicas como la detección infrarroja térmica y de microondas proporcionan datos precisos de humedad del suelo, fundamentales para estudios ambientales. La cartografía de la cobertura y uso del suelo, apoyada por imágenes satelitales, ofrece datos espaciales rápidos y completos para la gestión de recursos y planificación urbana. Técnicas como DInSAR y la interferometría de persistentes dispersores permiten mediciones precisas de las deformaciones superficiales causadas por terremotos y volcanes. Los sensores térmicos en satélites como MODIS y Landsat mejoran la vigilancia activa de volcanes, contribuyendo a la preparación y respuesta ante desastres. La integración cada vez mayor de imágenes satelitales en las evaluaciones de daños post-terremoto permite operaciones de rescate más rápidas y mejora las estrategias de respuesta ante desastres.

Equipos de grabación y observación de la Tierra

Los equipos de grabación se caracterizan por su resolución espacial, radiométrica, espectral y temporal. Estas características determinan la calidad y precisión de los datos recopilados.

Resolución espectral:

Resolución radiométrica:

Resolución temporal:

Resolución espacial:

Se refiere a la frecuencia con la que un sistema satelital captura imágenes de la misma área. Esto es importante para monitorear cambios en la superficie de la Tierra con el tiempo.

Relacionado con el número de canales espectrales utilizados por el satélite. Más canales espectrales permiten distinguir más tipos de características de la superficie.

Describe la capacidad del sistema para registrar diferencias en la intensidad de energía reflejada o emitida. Esta resolución se expresa a menudo en bits.

Se refiere a la capacidad del equipo para detectar pequeñas características en la superficie de la Tierra. Cuanto menor sea el píxel, mayor será la resolución espacial.

Análisis de Imágenes Digitales

El procesamiento de imágenes digitales es un proceso que implica convertir señales analógicas en valores digitales. Estos valores se usan para almacenar y analizar datos de satélites u otros sistemas de grabación. Estos datos se registran en números binarios (bits), representando la intensidad del brillo de la superficie escaneada. Las imágenes, también conocidas como datos ráster, se usan para facilitar la gestión de los valores de píxeles mediante software de procesamiento. Aunque los datos ráster son convenientes para análisis digital, presentan dificultades para representar áreas o puntos discretos en comparación con los datos vectoriales.

'Las imágenes digitales son arreglos bidimensionales de áreas pequeñas llamadas píxeles.'

La disposición de píxeles en filas y columnas permite que el software de procesamiento analice los datos, proporcionando información útil sobre temas específicos. El software de procesamiento de imágenes satelitales gestiona datos de teledetección y ofrece capacidades de análisis para aplicaciones científicas y comerciales. Algunos de los programas más comunes incluyen ERDAS IMAGINE, ArcGIS, ENVI, IDRISI y Geomatica.

Análisis de Imágenes Satelitales Ópticas

El proceso de análisis de imágenes satelitales incluye varias etapas para garantizar resultados precisos y útiles. Estas etapas incluyen restauración y preprocesamiento de imágenes, mejora de imágenes, clasificación de imágenes y la interpretación de imágenes satelitales y fotografías aéreas digitales.

Etapa 3

Etapa 2

Etapa 1

Imagen Clasificación

Imagen Mejoramiento

Imagen Restauración o Preprocesamiento

Sensores remotos para monitoreo y mitigación de desastres naturales

Sensores del suelo

Mapeo de cobertura del suelo

Deformación del suelo

Registro y evaluación de daños post-terremoto

Sensores del suelo

Determinación del contenido de humedad del suelo utilizando sensores activos y pasivos desde Espacio

La humedad del suelo es una variable crítica para comprender los recursos hídricos y los riesgos naturales como inundaciones y deslizamientos de tierra. La estimación precisa de las variaciones espaciales y temporales en la humedad es importante para estudios ambientales y mejorar las predicciones de inundaciones, especialmente en cuencas de drenaje medianas y grandes donde las inundaciones suelen causar desastres. La condición de la humedad del suelo superficial es fundamental para evaluar la infiltración de agua de lluvia o escorrentía, por lo que esta información es vital para los modelos de predicción de inundaciones. Además, la humedad del suelo en áreas montañosas es un factor clave para los deslizamientos de tierra. Desde la década de 1970, las investigaciones en este campo han utilizado técnicas que abarcan todo el espectro electromagnético, desde óptico hasta microondas.

'Las imágenes digitales son arreglos bidimensionales de pequeñas áreas llamadas píxeles.'

Las técnicas de teledetección utilizan diferentes longitudes de onda, fuentes de energía y respuestas del sensor para estimar la humedad del suelo. La radiación solar mide la luz reflejada, mientras que las microondas y el infrarrojo térmico son más comúnmente utilizados. Los métodos térmicos, como la inercia térmica y el índice de temperatura/vegetación, son particularmente efectivos en áreas con poca o ninguna vegetación. Estas técnicas mejoran la predicción de riesgos naturales y la gestión de recursos hídricos.

Mapeo de la Cobertura del Suelo

Mapear la cobertura y el uso del suelo es vital para la investigación científica, la planificación espacial y la gestión de recursos naturales. "Cobertura del suelo" se refiere a las características físicas de la superficie, mientras que "uso del suelo" describe cómo se utiliza la tierra. Un plan de uso del suelo captura la interacción entre humanos y el medio ambiente, impactando actividades económicas significativas. Los avances en sistemas de monitoreo satelital han hecho que las técnicas de teledetección sean herramientas realistas y atractivas para la investigación y gestión de recursos naturales. Los mapas de uso del suelo son particularmente útiles en agricultura y gestión de recursos naturales y su actualización es necesaria debido a los cambios continuos en los recursos naturales y las actividades humanas.

"Las imágenes digitales son arreglos bidimensionales de pequeñas áreas llamadas píxeles."

La teledetección ofrece una representación rápida y precisa del paisaje, proporcionando datos en forma digital y a través de una amplia gama de canales espectrales. Aunque no reemplaza completamente las observaciones de campo, reduce significativamente el tiempo y el costo de recopilación de datos, ofreciendo una visión integral del área de estudio. También facilita el acceso a áreas remotas y el monitoreo de cambios en el uso/superficie del suelo mediante datos temporales

Monitoreo y evaluación de la deformación del suelo

Los sensores activos utilizan la diferencia de fase para medir la deformación de la superficie terrestre mediante la técnica de interferometría diferencial (DInSAR). Esta técnica usa datos de instrumentos de Radar de Apertura Sintética (SAR). Actualmente, hay varios satélites adecuados para obtener datos InSAR, como los satélites Envisat de la Agencia Espacial Europea, los Radarsat-1 y 2 de Canadá, el TerraSAR-X alemán y el Cosmo-Skymed italiano, junto con muchas futuras misiones SAR planificadas.

'Las imágenes digitales son arreglos bidimensionales de áreas pequeñas llamadas píxeles.'

La teledetección ofrece una representación rápida y precisa del paisaje, proporcionando datos en forma digital y a través de una amplia gama de canales espectrales. Aunque no reemplaza completamente las observaciones de campo, reduce significativamente el tiempo y el costo de recopilación de datos, ofreciendo una visión integral del área de estudio. También facilita el acceso a áreas remotas y el monitoreo de cambios en el uso/superficie del suelo mediante datos temporales

La teledetección ofrece una representación rápida y precisa del paisaje, proporcionando datos en forma digital y a través de una amplia gama de canales espectrales. Aunque no reemplaza completamente las observaciones de campo, reduce significativamente el tiempo y el costo de recopilación de datos, ofreciendo una visión integral del área de estudio. También facilita el acceso a áreas remotas y el monitoreo de cambios en el uso/superficie del suelo mediante datos temporales

La teledetección ofrece una representación rápida y precisa del paisaje, proporcionando datos en forma digital y a través de una amplia gama de canales espectrales. Aunque no reemplaza completamente las observaciones de campo, reduce significativamente el tiempo y el costo de recopilación de datos, ofreciendo una visión integral del área de estudio. También facilita el acceso a áreas remotas y el monitoreo de cambios en el uso/superficie del suelo mediante datos temporales.

Registro y evaluación de daños post-terremoto

Registrar y evaluar los daños después de un terremoto es fundamental, especialmente cuando la destrucción es extensamente geográfica o en zonas remotas. Este proceso es importante para los equipos de rescate y los servicios de protección civil y debe realizarse de manera rápida y precisa. La técnica de "detección de cambios" usando imágenes pre y post-terremoto es un método rápido para evaluar los daños. A medida que mejoran las tecnologías espaciales, se integran cada vez más en las acciones de gestión de desastres. Sin embargo, el apoyo con técnicas espaciales sigue siendo en gran medida malentendido por la mayoría de los servicios de emergencia y protección civil.

'Las imágenes digitales son arreglos bidimensionales de pequeñas áreas llamadas píxeles.'

La teledetección ofrece una representación rápida y precisa del paisaje, proporcionando datos en forma digital y a través de una amplia gama de canales espectrales. Aunque no reemplaza completamente las observaciones de campo, reduce significativamente el tiempo y el costo de recopilación de datos, ofreciendo una visión integral del área de estudio. También facilita el acceso a áreas remotas y el monitoreo de cambios en el uso/superficie del suelo mediante datos temporales

Observación de volcanes activos mediante radiación térmica

Aunque no existe un satélite diseñado exclusivamente para aplicaciones volcánicas, muchos sensores térmicos para aplicaciones militares, urbanas e industriales pueden adaptarse para el monitoreo de volcanes. Por ejemplo, los satélites meteorológicos proporcionan datos para examinar puntos calientes volcánicos, aunque los sensores meteorológicos generalmente miden temperaturas más bajas. El cambio de milenio trajo nuevos satélites de la NASA, como Terra, Landsat-7, Aqua y EO-1, que permiten el registro térmico de volcanes activos.

'Las imágenes digitales son arreglos bidimensionales de pequeñas áreas llamadas píxeles.'

Esto estableció el primer sistema de monitoreo satelital global para volcanes, monitoreando todos volcanes activos y potencialmente activos diariamente. Los datos térmicos de los sensores satelitales son cada vez más accesibles, por ejemplo, los datos de MODIS y Landsat están disponibles sin costo. La teledetección térmica ha proporcionado valiosos conocimientos sobre el comportamiento volcánico, a pesar de la ausencia de sensores especializados.

04

Investigación avanzada y contribuciones nacionales

04

Resumen

La teledetección desempeña un papel fundamental en la vigilancia y mitigación de desastres naturales. La estimación de humedad del suelo mediante sensores activos y pasivos ayuda a predecir inundaciones, deslizamientos y la gestión de recursos hídricos. Técnicas como la detección térmica infrarroja y de microondas proporcionan datos precisos de humedad del suelo, críticos para estudios ambientales. La cartografía de la cobertura y uso del suelo, apoyada por imágenes satelitales, ofrece datos espaciales rápidos y completos para la gestión de recursos y la planificación urbana. Técnicas como DInSAR y la interferometría de dispersores persistentes permiten mediciones precisas de las deformaciones superficiales causadas por terremotos y volcanes. Los sensores térmicos en satélites como MODIS y Landsat mejoran la vigilancia de volcanes activos, contribuyendo a la preparación y respuesta ante desastres. La incorporación cada vez mayor de imágenes satelitales en las evaluaciones de daños post-terremoto permite operaciones de rescate más rápidas y mejora las estrategias de respuesta ante desastres.

Investigación avanzada y contribuciones nacionales

Iniciativas griegas

Investigación

Metodologías

Investigación y avances en aprendizaje profundo y teledetección para la gestión de desastres naturales

Tecnologías y técnicas avanzadas en aprendizaje profundo y teledetección

Iniciativas griegas en la gestión de desastres naturales

El proceso de análisis de imágenes satelitales incluye varias etapas para garantizar resultados precisos y útiles. Estas etapas incluyen restauración y preprocesamiento de imágenes, mejora de imágenes, clasificación de imágenes y la interpretación de imágenes satelitales y fotografías aéreas digitales.

Metodologías en Aprendizaje Profundo y Teledetección

Redes Neuronales Convolucionales

Redes Generativas Antagónicas

Redes Neuronales Recurrentes

CD

Sistemas de Supervisión

10

DMCNN

SAR

Técnicas Geo-Computacionales

UAVs

EO

Aquí puedes poner un título importante

Tu contenido es bueno, pero será mucho más atractivo si es interactivo. Captura la atención de tu audiencia con una foto o ilustración interactiva.

Investigación y avances en aprendizaje profundo y teledetección para la gestión de desastres naturales (1/3)

Las tecnologías de aprendizaje profundo y teledetección se han integrado ampliamente en los sistemas de gestión del riesgo de desastres en los últimos años, gracias a la creciente disponibilidad de datos/productos de alta calidad y sistemas avanzados para su análisis. La teledetección apoya progresivamente la cartografía y monitorización de desastres porque permite una observación física rápida y precisa de la superficie terrestre antes, durante y después de los desastres.

Park et al. (2022)

Long et al. (2021)

Psomiadis et al. (2019)

Wang et al. (2021)

Goldberg et al. (2020)

Stephenson et al. (2022)

Elmahdy et al. (2020)

Dinh et al. (2022)

Barmpoutis et al. (2020)

Peng (2022)

Taskin et al. (2022)

Hakim et al. (2022)

Aquí puedes poner un título importante

Tu contenido es bueno, pero será mucho más interesante si es interactivo. Captura la atención de tu audiencia con una foto o ilustración interactiva.

Investigación y avances en aprendizaje profundo y teledetección para la gestión de desastres naturales (2/3)

Las tecnologías de aprendizaje profundo y teledetección se han integrado ampliamente en los sistemas de gestión del riesgo de desastres en los últimos años, gracias a la creciente disponibilidad de datos/productos de alta calidad y sistemas avanzados para su análisis. La teledetección apoya cada vez más la cartografía y el monitoreo de desastres porque permite una observación física rápida y precisa de la superficie de la tierra antes, durante y después de los desastres.

Dinh et al. (2022)

Zhang et al., (2022)

Asaly et al. (2022)

Akhyar et al. (2023)

Feng et al. (2022)

Chen et al. (2023)

Ananias et al. (2022)

García et al. (2023)

Sun et al. (2022)

Kim & Muminov (2023)

Lee (2022)

Jia & Ye (2023)

Aquí puede poner un título importante

Tu contenido es bueno, pero será mucho más atractivo si es interactivo. Captura la atención de tu audiencia con una foto o ilustración interactiva.

Investigación y avances en aprendizaje profundo y teledetección para la gestión de desastres naturales (3/3)

Las tecnologías de aprendizaje profundo y teledetección se han integrado ampliamente en los sistemas de gestión de riesgos de desastres en los últimos años, gracias a la creciente disponibilidad de datos/productos de alta calidad y sistemas avanzados para su análisis. La teledetección apoya progresivamente la cartografía y monitoreo de desastres porque permite una observación física rápida y precisa de la superficie terrestre antes, durante y después de los desastres.

Ntinopoulos et al. (2023)

Shastry et al. (2023)

Li et al. (2023)

Yang et al. (2024)

Wu et al. (2024)

Sundriyal et al. (2024)

Iniciativas en Grecia para la gestión de desastres naturales

En Grecia, se han implementado varias iniciativas y proyectos para mejorar la gestión de desastres naturales mediante tecnologías avanzadas. .

Maestro

SEASFire

Ofire+

GET

DESARMAR

Actividades ¡Muestra lo que sabes!

Actividad 2

Actividad 1

Haz clic en los conceptos correctos

Preguntas de emparejamiento

1. Programa Copernicus
2. Sentinel-1
3. Sentinel-2
4. Sentinel-3
5. Sentinel-4 y 5
6. Sentinel-6

Actividad 2

Solución

Haz clic en los conceptos correctos

Elige 4 términos

CONCEPTO 1

Después de un terremoto, las técnicas de teledetección se utilizan para evaluar el alcance e impacto de los daños, incluyendo infraestructura destruida, rupturas en la superficie y cambios en el terreno. Elige 4 términos que se relacionan con la evaluación de daños post-terremoto:

Detección de cambios

Detección de ondas sísmicas

Clasificación de daños

Mapeo de desplazamiento

Radar de apertura sintética

Imágenes ópticas

Dispersores Persistentes

Vehículos aéreos no tripulados

Actividad 3

Solución

Haz clic en los conceptos correctos

Selecciona 4 respuestas correctas

CONCEPTO 2

¿Qué combinación de tecnologías elegirías para evaluar eficazmente los daños del terremoto en una zona urbana densamente poblada? Selecciona las 4 respuestas correctas de las opciones dadas.

Redes Neuronales Recurrentes

Redes Neuronales Convolucionales

Vehículos Aéreos No Tripulados

Radar de Apertura Sintética

Red de Segmentación Semántica

Red Generativa Antagónica

Sistema de Telemetría Maestro

Reflectores Persistentes

Evaluación

En esta sección, tendrás la oportunidad de poner a prueba tus conocimientos adquiridos a lo largo del curso. Nuestra prueba interactiva proporcionará una evaluación detallada de tu comprensión de los temas clave. Prepárate para desafiar tus habilidades y reforzar tu aprendizaje mientras avanzas hacia dominar los conceptos fundamentales. ¡No pierdas la oportunidad de demostrar todo lo que has aprendido hasta ahora!

1/10

2/10

3/10

4/10

5/10

6/10

7/10

8/10

01:00

9/10

10/10

¡Curso completado!

Hakim et al. (2022)

Investiga las formas de relieve volcánico en el Campo de formaciones volcánicas del río Hantangang (HRVF), destacando su valor como patrimonio geológico. El estudio emplea impresión 3D de un modelo de terreno y simulación Q-LavHA para estimar una erupción prehistórica desde dos conos de origen en Corea del Norte. Se utilizan algoritmos de red neuronal artificial (ANN) y máquina de vectores de soporte (SVM) para clasificar el área de lava, siendo SVM el que demuestra mayor precisión y eficiencia. El escenario de un solo conducto eruptivo mostró mayor precisión que la simulación Q-LavHA, pero los escenarios de múltiples conductos mejoraron la precisión general.

Detalles técnicos

Fecha de lanzamiento: 1 de marzo de 1984 Estado: Desactivado en enero de 2013 Sensores: TM, MSS Altitud: 705 km Inclinación: 98.2° Órbita: polar, sincronizada con el sol Hora de cruce ecuatorial: normalmente 9:45 AM (± 15 min.) hora local (nodo descendente) Período de revolución : 99 minutos; aproximadamente 14.5 órbitas/día Cobertura repetida : 16 días

1945-55

Este período se caracteriza por el desarrollo de métodos y técnicas de interpretación fotográfica. Se hizo hincapié en los métodos de análisis e interpretación fotográfica en lugar de sus aplicaciones.

Cerrar

Redes neuronales convolucionales

Vehículos aéreos no tripulados

Radar de apertura sintética

Red de segmentación semántica

Objetivos

ERS fue el primer programa de la ESA en observación de la Tierra en proporcionar monitoreo ambiental basado en el espectro de microondas. La variedad de instrumentos de las misiones era capaz de monitorizar la tierra, los océanos y la atmósfera, y más específicamente el hielo marino, la geología, la silvicultura, los fenómenos de olas, la batimetría, los eventos meteorológicos y muchos otros campos científicos.

Tecnologías de Observación de la Tierra (EO)

Implica el uso de datos satelitales y aéreos para monitorear y evaluar desastres naturales y provocados por el hombre. Las tecnologías EO se utilizan para la respuesta post-desastre, evaluación de daños, recuperación y mitigación, proporcionando datos detallados y en tiempo real para una mejor toma de decisiones. proporcionando datos detallados y en tiempo real para una mejor toma de decisiones.

Descripción

Métodos: Divididos en métodos no supervisados y supervisados. Clasificación no supervisada: Identifica grupos espectrales naturales de forma automática sin información externa. Clasificación supervisada: Utiliza muestras de identidad conocida para guiar la clasificación. Algoritmos: Incluyen distancia mínima y máxima verosimilitud. Evaluación de precisión: La precisión de la clasificación se evalúa comparando los resultados con datos de referencia. Resultados: Produce un mapa temático que puede integrarse en SIG

Vehículos aéreos no tripulados (UAVs) Vehículos aéreos no tripulados (UAVs)

Los drones equipados con cámaras de alta resolución y sensores proporcionan datos en tiempo real desde sitios de desastre. Los UAVs se utilizan para operaciones de búsqueda y rescate y evaluación de daños post-desastre, inspeccionando rápidamente áreas extensas y localizando a los supervivientes.

Video de drones de la devastación de las Palisades

Wu et al. (2024)

Presenta un estudio sobre la clasificación de daños en viviendas tras inundaciones utilizando un modelo de Red Neuronal Convolucional de Doble Vista (DV-CNN), publicado en Cities and Society Sostenible. Este modelo, que incorpora ResNet-50, aprendizaje por transferencia y el Módulo de Atención Basado en Concentración (CBAM), mejora la eficiencia y generalización de la evaluación de daños. Validado con datos del "Lluvia intensa del 20 de julio en Zhengzhou," el DV-CNN logró una precisión del 92,5% en la clasificación de niveles de daño, superando a otros modelos. El estudio destaca la fiabilidad y capacidad de generalización del modelo, ofreciendo una referencia valiosa para la evaluación de daños post-inundación en viviendas rurales.

Zhang et al., (2022)

Explora el uso de datos infrarrojos térmicos de alta resolución espacial para predecir terremotos mediante un filtro de "núcleo calefactor". Su estudio aborda dos brechas principales: la variación de anomalías térmicas con diferentes magnitudes de terremotos y el desafío de distribuciones dispersas de anomalías térmicas en datos de alta resolución. La investigación implica remuestrear datos, aplicar un filtro de "núcleo calefactor" para aislar anomalías térmicas relacionadas con sismos y usar ventanas de tiempo–distancia–magnitud para la correlación. Los resultados muestran que no existe diferencia significativa en las anomalías térmicas entre diferentes magnitudes de terremotos y el modelo puede predecir terremotos dentro de 200 km y 20 días desde la aparición de la anomalía. Este modelo de predicción binaria ofrece una referencia valiosa para la predicción de terremotos.

Sundriyal et al. (2024)

Emplear un enfoque integrado de aprendizaje automático y teledetección para evaluar los riesgos de deslizamientos y los puntos críticos en el NW Himalaya. Utilizando un Perceptrón Multicapa (MLP) para generar un mapa de susceptibilidad a deslizamientos, combinado con datos de intensidad de precipitación, el estudio produce un mapa de peligrosidad integral. Incorporando datos de uso y cobertura del suelo, el mapa de riesgo resultante indica que aproximadamente el 5% del área se encuentra en zonas de alto riesgo. La investigación destaca que alrededor del 53% de la población reside en áreas de riesgo de deslizamiento de alto a muy alto, enfatizando la necesidad de desarrollo sostenible y planificación urbana en esta región vulnerable.

Garcia et al. (2023)

Proponga un nuevo marco de trabajo para CNN para la detección semi-automática de terrenos de deslizamientos antiguos en áreas de selva tropical, utilizando un conjunto de datos generado por un algoritmo de agrupamiento k-means con un paso de pre-entrenamiento para ajustar finamente el proceso de entrenamiento de la CNN. El estudio compara el marco propuesto con métodos estándar usando imágenes CBERS-04A WPM y prueba 42 combinaciones de tres CNNs (Unet, FPN y Linknet) y dos conjuntos de datos aumentados. El marco muestra tasas de recuperación más altas, pero la precisión sigue siendo baja debido a falsos positivos. A pesar de las limitaciones en la detección de terrenos de deslizamientos antiguos debido a las similitudes espectrales con áreas sin deslizamientos, el marco demuestra una mayor precisión en la detección de deslizamientos.

Shastry et al. (2023)

Desarrolla un modelo de aprendizaje profundo para mapear inundaciones utilizando imágenes de Maxar WorldView, abordando el desafío de la obstrucción de la superficie por nubes y vegetación. Su enfoque consiste en crear un conjunto de datos con etiquetas semánticas representativo de la variabilidad del agua superficial en América del Norte, que se utiliza para entrenar un modelo de red neuronal convolucional (CNN) dentro del marco Deep Earth Learning, Tools and Analysis (DELTA). El modelo logra una alta precisión (98%) y un recall (94%) durante la validación. Sin embargo, una comparación con modelos hidráulicos revela una subestimación del 62% de las extensiones de inundación, en gran parte debido a obstrucciones, con un 74% atribuible a la vegetación y un 9% a las nubes. El estudio destaca la necesidad de combinar los modelos de inundación con datos de teledetección para un mapeo preciso de las inundaciones.

Psomiadis et al. (2019)

Describe un enfoque sinérgico utilizando técnicas de teledetección y SIG para el monitoreo de inundaciones repentinas y evaluación de daños en la zona de la Llanura de Tesalia, Grecia. El estudio se centra en un evento de inundación repentina en mayo de 2016, empleando imágenes Landsat-7 ETM+ y Sentinel-1 SAR para detectar áreas inundadas. Se aplicaron diversos índices de agua y un método de umbral en los datos de Landsat-7 y Sentinel-1, respectivamente. Además, se utilizaron modelos digitales de elevación (DEM) de alta resolución e imágenes Sentinel-2 para refinar la delimitación de las inundaciones, estimar la profundidad del agua y evaluar el uso del suelo y la cobertura de las regiones inundadas. Este enfoque integrado logró delimitar con éxito las áreas inundadas y evaluar el impacto financiero en las cultivaciones afectadas, demostrando la efectividad de combinar datos ópticos y de radar con la modelización SIG para mapas de inundación precisos y evaluación de daños.

Sentinel 2

Su misión incluye la monitorización de la vegetación, las condiciones del suelo y la gestión de recursos hídricos. Los objetivos de la misión Sentinel-2 incluyen:

1. Observar la tierra, la vegetación, el cobertura del suelo y del agua, vías navegables interiores, áreas costeras
2. Mapear cambios en la cobertura del suelo
3. Gestionar la seguridad alimentaria
4. Monitorizar bosques
5. Determinar varios índices de plantas (área foliar, clorofila, contenido de agua)

6. Proporcionar información sobre la contaminación del agua 7. Ayudar en la ayuda en desastres (inundaciones, erupciones volcánicas e imágenes de deslizamientos de tierra) 8. Monitorización del cambio climático

Descripción

Técnicas: Incluye mejora de contraste, filtrado, análisis de componentes principales y combinación de bandas espectrales. Mejora visual: Mejora la interpretación visual de las imágenes digitales. Mejora de contraste: Aumenta los gradientes de nivel de gris. Filtros: Filtros pasa-bajo y pasa-alto de frecuencia que mejoran o eliminan detalles de la imagen.

Sun et al. (2022)

Se desarrolló un modelo de susceptibilidad a incendios forestales utilizando el algoritmo Light Gradient Boosting Machine (LightGBM) para producir un mapa preciso de susceptibilidad al fuego. Enfocándose en un parque nacional forestal subtropical en Jiangsu, China, el estudio utilizó ocho variables derivadas de factores topográficos, climáticos, de actividad humana y de vegetación. El modelo LightGBM se comparó con regresión logística (LR) y bosques aleatorios (RF) modelos. Los resultados mostraron que la temperatura fue el principal factor impulsor del incendio, con LightGBM superando a LR y RF en puntuación F1, precisión (88.8%) y AUC (0.935), demostrando un rendimiento predictivo superior.

Goldberg et al. (2020)

Utilice observaciones satelitales operativas para mapear y monitorear inundaciones causadas por bloqueos de hielo y deshielo, particularmente en regiones de altas latitudes. El estudio emplea el Radiómetro de Imágenes en Infrarrojo Visible y Cercano (VIIRS) y el Imager de Línea Base Avanzada (ABI) para estimar las fracciones de agua mediante descomposición de píxeles mezclados, derivando mapas de inundaciones a partir de diferencias en la fracción de agua antes y después de la inundación. La alta resolución temporal de ABI y la resolución espacial detallada de VIIRS permiten una observación efectiva del movimiento de hielo , estado de deshielo y evolución del agua de inundación, ayudando en la predicción y monitoreo dinámico. Los productos de inundación JPSS y GOES-R incluyen de manera única tipos de inundaciones por nieve/hielo y máscaras de nieve/hielo, lo que aumenta su utilidad para los pronosticadores de ríos y usuarios finales amplios.

Ananias et. al (2022)

Introduce el marco de trabajo del Pronóstico de Floración Algálica (ABF) para predecir las floraciones algales en cuerpos de agua continentales utilizando aprendizaje automático y datos obtenidos de sensores remotos. El marco de trabajo ABF totalmente automatizado aprovecha imágenes MODIS, datos ambientales y índices espectrales para construir modelos de detección de anomalías con métodos SVM, RF y LSTM. Estudios de caso en los lagos Erie (EE. UU.), Chilika (India) y Taihu (China) demuestran la eficacia del marco. El modelo RF dentro del marco ABF logró las mejores predicciones, evaluadas mediante métricas como precisión global, coeficiente kappa, puntuación F1 y R2.

Programa Copernicus

La Comisión Europea supervisa el Programa, que se ejecuta en colaboración con los Estados miembros, la Agencia Espacial Europea (ESA), la Organización Europea para la Explotación de Satélites Meteorológicos (EUMETSAT), el Centro Europeo para las Predicciones Meteorológicas a Medio Plazo (ECMWF), varias agencias de la UE, Mercator Ocean, la Agencia Europea de Medio Ambiente (AEMA) y el Centro Común de Investigación (JRC).

Detalles técnicos

Fecha de lanzamiento: 15 de abril de 1999 Estado: operativa a pesar de la falla del Corrector de Línea de Escaneo (SLC) el 31 de mayo de 2003 Sensores: ETM+ Altitud: 705 km Inclinación: 98.2° Órbita: polares, sincronizada con el sol Hora de cruce ecuatorial: normalmente 10 a.m. (± 15 min.) hora local (nodo descendente) Periodo de revolución: 99 minutos; aproximadamente 14.5 órbitas/día Cobertura repetida: 16 días

Sentinel-6

Sentinel-6 involucra dos satélites: Sentinel-6A fue lanzado en noviembre de 2020, mientras que Sentinel-6B está previsto para su lanzamiento en 2025. Su misión principal es proporcionar información de alta precisión sobre la topografía del océano en todo el mundo, mientras que su misión secundaria es ocultación radio para el monitoreo del cambio climático y la predicción del tiempo. Para estos propósitos, Sentinel-6 está equipado con un altímetro de radar de apertura sintética (POSEIDON-4) y un GNSS-RO respectivamente. Sentinel-6 tiene la capacidad de mapear hasta el 95% del océano de la Tierra cada 10 días, con la información recopilada complementando los datos oceánicos de Sentinel-3. Basándose en sus misiones, los objetivos de Sentinel-6 incluyen:

1. Monitorear los cambios en el nivel del mar
2. Pronósticos para la oceanografía operativa
3. Proporcionar información sobre corrientes oceánicas, velocidad del viento y altura de las olas para la seguridad marítima
4. Proteger y gestionar las zonas costeras

enlace

¿Qué es Teledetección?

• Comprensión de Principios Básicos de la Teledetección

Análisis de los conceptos fundamentales de la teledetección, junto con sus ventajas y desventajas.

• Desarrollo histórico de la teledetección

Revisión de la evolución de la tecnología, desde el uso inicial de la fotografía hasta la aplicación moderna de sistemas satelitales.

• Uso de sistemas activos y pasivos

Presentación de técnicas de teledetección activa y pasiva, con énfasis en sistemas RADAR y LIDAR para teledetección.

• Gestión de Desastres Naturales mediante Teledetección

Aplicaciones de la teledetección en la monitorización y respuesta a desastres naturales como inundaciones, terremotos y incendios.

• Análisis de Imágenes Satelitales

Síntesis y análisis de imágenes satelitales mediante técnicas de procesamiento digital y categorización para uso científico.

• Integración con Sistemas de Información Geográfica (SIG)

Uso de SIG para el análisis y presentación de datos de teledetección, centrado en su aplicación a la gestión de desastres naturales.

• Iniciativas Griegas en la Gestión de Desastres

Presentación de proyectos griegos que utilizan teledetección para la monitorización y gestión de desastres naturales, como SEASFire, sistema de telemetría Maestro y DISARM.

Una línea de tiempo de Landsat | Ciencia Landsat

Landsat 8 se lanzó con éxito el 11 de febrero de 2013 y el archivo de datos Landsat continúa expandiéndose. Landsat 5 entregó datos de alta calidad y a nivel mundial de la superficie terrestre durante 28 años y 10 meses, estableciendo oficialmente un nuevo récord Guinness por “Satélite de observación de la Tierra en funcionamiento más largo.”

Detalles Técnicos

El proyecto DISARM,

es una parte del programa Interreg Balkan-Mediterráneo 2014-2020, se centra en crear un sistema de alerta temprana para el riesgo de incendios en Grecia, Chipre y Bulgaria. Desarrollado por Geospatial Enabling Technologies, el sistema utiliza datos de estaciones meteorológicas e información satelital para predecir riesgos de incendios. La plataforma incluye temperatura, humedad, velocidad del viento y índices especializados de riesgo de incendios, junto con datos satelitales sobre incendios activos y pronósticos meteorológicos. El sitio web y las herramientas fueron creadas utilizando software de código abierto y estándares internacionales.

Park et al. (2022)

Abordar la creciente necesidad de detección y monitoreo rápidos de desastres naturales debido al cambio climático. Enfatizan el papel de las técnicas de teledetección en la gestión de desastres en múltiples dominios espaciales y temporales. A pesar de los desafíos en el desarrollo de métodos robustos de monitoreo y evaluación para mecanismos complejos de desastre, los avances recientes en satélites, sensores aéreos y terrestres, junto con nuevas técnicas de análisis de imágenes, ofrecen soluciones prometedoras. Su estudio destaca la integración de diversos datos de teledetección para un monitoreo y evaluación integrales de desastres, con el objetivo de mitigar los riesgos de desastres

Detección de cambios basada en aprendizaje profundo (CD)

Utiliza imágenes de teledetección multitemporales y aprendizaje profundo para detectar cambios en la superficie de la Tierra. Este enfoque ayuda a actualizar el uso del suelo,a evaluar riesgos naturales y a analizar la expansión urbana mediante el aprendizaje automático y la adaptación arepresentaciones de características de alto nivel.

Técnicas Geo-Computacionales Técnicas

Incluye la integración de SIG, LIDAR, UAVs y técnicas computacionales avanzadas como el aprendizaje automático y el aprendizaje profundo. Utilizado para modelado, visualización y predicción de riesgos naturales a escalas locales a globales, mejorando la predicción y gestión de desastres.

Redes Neuronales Convolucionales (CNNs)

Las CNN son la piedra angular de los modelos de aprendizaje profundo basados en imágenes. Han sido ampliamente aplicadas en el análisis de imágenes satelitales y aéreas para detectar y clasificar áreas afectadas por desastres. Por ejemplo, la evaluación de daños post-desastre mediante CNN ha demostrado ser eficaz para identificar edificios destruidos e infraestructuras con alta precisión.

Dinh et al. (2022)

Evalúa el rendimiento de varios optimizadores para Deformable-DETR en la evaluación de daños por desastres naturales. Utilizando técnicas de aprendizaje profundo y sensorización remota con UAV, el estudio mejora la respuesta ante desastres al optimizar la eficiencia y el tiempo de convergencia de Deformable DETR, un método de detección de objetos basado en Transformadores. Los investigadores analizan varios optimizadores para mejorar el rendimiento de Deformable DETR, demostrando su adaptabilidad y eficacia para una evaluación rápida de daños en edificios en escenarios de desastre.

Objetivos de TerraSAR-X y TanDEM-X

Volando en formación cerrada, el objetivo de los satélites TerraSAR-X y TanDEM-X es capturar imágenes del terreno de la Tierra desde diferentes ángulos con una precisión sin precedentes para fines de investigación y desarrollo, así como aplicaciones científicas y comerciales

Detalles técnicos

Fecha de lanzamiento: 5 de marzo de 1978 Estado: puesto en modo de espera: 31 de marzo de 1983; desactivado: 7 de septiembre de 1983 Sensores: RBV, MSS Altitud: nominalmente 900 km Inclinación: 99,2° Órbita: polar, heliosincrónica Hora de cruce ecuatorial: nominalmente 9:42 AM hora local media (nodo descendente) Período de revolución: 103 minutos; aproximadamente 14 órbitas/día Cobertura repetida: 18 días

Los terremotos liberan energía de la Tierra y transfieren esta energía a la superficie, causando efectos significativos en las áreas afectadas. Las imágenes satelitales proporcionan una herramienta única para capturar estas áreas después de eventos sísmicos, ofreciendo una evaluación rápida de los daños. La evaluación de daños tras un terremoto debe considerar los siguientes parámetros: 1. Resolución espacial: El análisis de datos espaciales en relación con las características de las áreas construidas (construcción densa o dispersa). 2. Repetibilidad del sistema: La frecuencia con la que el satélite toma imágenes de la misma área. Aunque un sistema pueda tener alta repetibilidad, adquirir datos en tiempo real o casi en tiempo real es fundamental. 3. Capacidad de detección y reconocimiento: Esta capacidad es especialmente importante en áreas escasamente construidas.

Sentinel 3

El objetivo principal del Sentinel-3 es medir la topografía de la superficie del mar, tierra y mar temperatura superficial y color del océano. Proporciona datos de alta precisión para apoyar la previsión y monitorización ambiental y climática. El Sentinel-3 complementa la misión del Sentinel 2 con objetivos como:

1. Determinar la topografía y altura de la superficie del mar, así como la altura significativa de las olas
2. Medir la temperatura de la superficie del océano y la tierra
3. Determinar el color de la superficie del océano y la tierra
4. Mapear la topografía del hielo marino y terrestre
5. Monitorizar la calidad del agua del mar y de agua dulce, la contaminación y la productividad biológica
6. Modelar el cambio climático
7. Identificar cambios en el uso del suelo
8. Mapear la cobertura forestal
9. Detectar incendios forestales
10. Proporcionar índices del estado de la vegetación
11. Predecir el clima y el tiempo
12. Medir la radiación térmica de la Tierra para aplicaciones atmosféricas

Segmentación semántica Redes

Utiliza CNNs para identificar y localizar áreas de interés dentro de imágenes satelitales. Esencial para analizar desastres naturales como incendios forestales, inundaciones y huracanes proporcionando evaluaciones de daños precisas y exactas, mejorando los esfuerzos de respuesta y la asignación de recursos.

EarthExplorer

La interfaz de usuario de EarthExplorer (EE) es una herramienta en línea desarrollada por el Servicio Geológico de Estados Unidos (USGS) para búsqueda, descubrimiento y pedido. Permite a los usuarios buscar inventarios de satélites, aeronaves y otros sensores remotos mediante capacidades de consulta interactiva y basada en texto.

Redes Neuronales Recurrentes (RNRs)

Las RNN, particularmente las Redes de Memoria a Largo Plazo (LSTM) las redes, se utilizan para la predicción de series temporales, lo que las hace adecuadas para pronosticar desastres naturales. Los estudios han demostrado su capacidad para predecir eventos de inundación analizando secuencias temporales de datos de precipitación y tasas de descarga de ríos.

Peng, (2022)

Revisa los logros y desafíos recientes en los enfoques de teledetección para la monitorización de desastres meteorológicos. Los temas clave identificados incluyen la planificación de tareas, la extracción de información y la detección de cambios multitemporales. La monitorización precisa requiere determinar los intervalos de tiempo, la planificación de sensores y la construcción de modelos de representación. La información extraída se procesa y compara a lo largo del tiempo para detectar la evolución del desastre. Aunque existen aplicaciones exitosas, aún hay brechas en el proceso de monitorización. Se necesita investigación futura en planificación de sensores, representación de la información y fusión de datos multifuente para mejorar la monitorización y comprensión de los desastres meteorológicos.

Cerrar

Detección de cambios

Clasificación de daños

Radar de apertura sintética

Vehículos aéreos no tripulados

Satélites IKONOS, World View, QuickBird, Pleiades y SPOT

Sus capacidades incluyen la captura de una resolución multiespectral de 3.2 m, infrarrojo cercano (NIR) de 0.80 metros en nadir. Sus aplicaciones incluyen mapeo urbano y rural de recursos naturales y desastres naturales, mapeo catastral, análisis agrícola y forestal, minería, ingeniería, construcción y detección de cambios. Puede proporcionar datos relevantes para casi todos los aspectos del estudio medioambiental.

Feng et al. (2022)

Investiga las incertidumbres en los modelos de aprendizaje automático para evaluar la susceptibilidad a deslizamientos de tierra inducidos por terremotos. Utilizando Redes Neuronales Artificiales (ANN), Bosques Aleatorios (RF), Máquinas de Vectores de Soporte (SVM) y Regresión Logística (LR), el estudio evalúa la incertidumbre del modelo mediante zonificación de susceptibilidad, estadísticas de áreas de riesgo y el área bajo la curva ROC. Los resultados muestran que los deslizamientos tienden a agruparse espacialmente, con ocurrencias reales de deslizamientos en áreas de alto riesgo en un 86% para SVM, 87% para RF, 82% para LR y 61% para ANN. El área ROC para RF, SVM, LR y ANN es del 90.92%, 80.45%, 73.75% y 71.95%, respectivamente. La precisión disminuye al predecir deslizamientos a partir de diferentes terremotos.

Yang et al. (2024)

Presenta un estudio sobre un método refinado de detección de incendios y selección de bandas en imágenes de teledetección hiperespectral utilizando sparse-VIT. Esta investigación, publicada en Física del Infrarrojo y Tecnología, tiene como objetivo mejorar la precisión de la detección de incendios mediante técnicas avanzadas de imágenes hiperespectrales. Realizado por investigadores del Instituto de Física Técnica de Shanghái, la Universidad de Ciencias de China y el Instituto de Información de Teledetección de Pekín, el estudio demuestra mejoras significativas en aplicaciones de teledetección para la vigilancia y gestión de incendios, proporcionando un marco sólido para futuros desarrollos en el campo.

Elmahdy et al. (2020)

enfóquese en la cartografía y predicción de la susceptibilidad a inundaciones repentinas (FF) en el norte de los Emiratos Árabes Unidos (NUAE), empleando un enfoque híbrido que integra aprendizaje automático y modelos hidrogeohidrológicos. El estudio prueba tres modelos de aprendizaje automático : árbol de regresión potenciado (BRT), árboles de clasificación y regresión (CART) y árbol de Bayes ingenuo (NBT). El modelo BRT demostró el mayor rendimiento, evaluado mediante precisión, recuerdo, puntuación F1 y curva ROC. El mapa de susceptibilidad a FF fue refinado dividiéndolo en siete cuencas y calculando nuevos parámetros de condicionamiento de FF. Los resultados indicaron que cuencas montañosas y estrechas como RAK, Masafi, Fujairah y Rol Dadnah tienen la mayor ocurrencia y magnitud de FF, mientras que las llanuras aluviales más anchas como Al Dhaid tienen la menor. Este enfoque mejora la precisión de la cartografía de susceptibilidad a FF, proporcionando una herramienta valiosa para la gestión de desastres en regiones áridas.

Li et al. (2023)

Integra el modelo SLIDE dentro de CAESAR-Lisflood para modelar cuantitativamente la cadena de mecanismos de desastre de «precipitación-deslizamiento de tierra-inundación rápida» en la evolución del paisaje en áreas montañosas. Aplicado a la zona afectada por el terremoto de Wenchuan, este modelo integrado predice la susceptibilidad a deslizamientos bajo lluvias extremas e identifica áreas de alto riesgo, como valles de montaña y torrentes empinados. El estudio destaca la influencia significativa de los efectos heredados de los deslizamientos en los procesos de erosión y sedimentación, mejorando la aplicabilidad del modelo para la gestión y reducción de desastres en regiones afectadas por terremotos.

Lee, (2022)

Investiga las tendencias y características de los incendios forestales en Corea del Norte utilizando técnicas de teledetección y datos topográficos digitales. El estudio analiza datos MODIS desde 2004 hasta 2015 y datos Landsat para estimar las áreas quemadas en la provincia de Hamgyong del Sur (SHP) y en la provincia de Gangwon (GWP). Los hallazgos indican que los incendios en SHP son más frecuentes y severos, especialmente en áreas de coníferas, que son más susceptibles al fuego debido a su resina combustible. Los grandes incendios ocurren principalmente en pendientes abiertas con viento, con menos incendios en valles poco profundos y crestas altas. El estudio destaca la necesidad de que Corea del Norte desarrolle medidas contra daños por incendios de gran magnitud.

Barmpoutis et al. (2020)

Proporcione una revisión exhaustiva de los sistemas tempranos de detección de incendios forestales mediante tecnologías de percepción remota óptica. El estudio aborda la creciente amenaza de incendios forestales a gran escala, enfatizando la necesidad de estrategias efectivas de prevención, advertencia temprana y respuesta. Categoriza los sistemas de detección de incendios en tres tipos: terrestres, aéreos y espaciales, y evalúa diversos algoritmos de detección de llamas y humos utilizados por estas tecnologías. La revisión destaca las fortalezas y debilidades de cada sistema, con el objetivo de guiar futuras investigaciones en el desarrollo de sistemas de advertencia temprana de incendios más precisos y confiables para mitigar los impactos de los incendios forestales en el medio ambiente y la vida humana.

El análisis de una serie temporal de imágenes SAR amplía las posibles aplicaciones de interferometría, permitiendo la detección de pequeños desplazamientos en el orden de unos pocos milímetros y reduciendo las fuentes de error. Existen dos técnicas principales:

a. La técnica SBAS (Berardino P. y Sansosti, 2002), que requiere muchas imágenes para crear múltiples interferogramas simples. A través de un procedimiento de procesamiento, estos interferogramas permiten registrar con precisión la deformación. b. La técnica de los Puntos Persistentes (PS), que también requiere un gran número de imágenes SAR y se centra en características del terreno que permanecen estables en el tiempo (Ferretti A. & Rocca, 2001). Esta técnica proporciona información puntual sobre la deformación, principalmente de construcciones humanas y rocas desnudas.

Los cambios en la cobertura del suelo se detectan mediante teledetección analizando las variaciones en los valores de radiación. Las imágenes satelitales proporcionan conocimientos espaciales, cobertura de grandes áreas y datos temporales para monitorear fenómenos dinámicos. Crear mapas temáticos de cobertura/uso del suelo implica tres etapas: preprocesamiento, mejora y clasificación. La clasificación asigna propiedades de píxeles a categorías de suelo, y su precisión es fundamental. La imaginería satelital a lo largo del tiempo permite monitorear cambios. La clasificación supervisada se basa en datos estadísticos y definiciones precisas de clases, requiriendo experiencia para un mapeo efectivo.

Asaly et al. (2022)

Explora la detección de precursores de terremotos utilizando tecnologías de teledetección y métodos de aprendizaje automático. Aplican una técnica de máquina de vectores de soporte (SVM) a datos de series temporales de contenido total de electrones en la ionosfera GPS para identificar posibles precursores de terremotos. Después de filtrar las influencias solares y geomagnéticas, su método logró una precisión del 85,7% en predicciones negativas verdaderas y un 80% en predicciones positivas verdaderas para terremotos de gran magnitud (Mw > 6). El rendimiento del modelo se valida con varias puntuaciones de habilidades, incluyendo una precisión de 0,83, una precisión de 0,85, una recuperación de 0,8, una puntuación de habilidad de Heidke de 0,66 y estadísticas de habilidad verdadera de 0,66.

Akhyar et al. (2023)

Proporcione una revisión exhaustiva de las metodologías de aprendizaje profundo, en particular las redes neuronales convolucionales (CNN), utilizadas para la gestión de desastres naturales sistemas. El estudio destaca el uso de redes de segmentación semántica para analizar imágenes satelitales y datos de teledetección para la evaluación y respuesta a desastres. A pesar de la efectividad de modelos como SegNet, U-Net, FCNs, FCDenseNet, PSPNet, HRNet y DeepLab en tareas como la delimitación de incendios forestales, mapeo de inundaciones y evaluación de daños por terremotos, los desafíos permanecen en la retención de información espacial y en la representación óptima de características. Esta revisión subraya la importancia de extraer características de múltiples niveles de representación semántica para mejorar los esfuerzos de gestión de desastres.

Kim & Muminov, (2023)

Proponer un modelo avanzado de YOLOv7 para detectar humo de incendios forestales usando imágenes de UAV. Las mejoras del modelo incluyen incorporar el mecanismo de atención CBAM, agregar una capa SPPF+ para mejorar el enfoque en regiones de humo más pequeñas y presentar cabezales desacoplados para una extracción de datos efectiva. Se utiliza un BiFPN para la fusión de características multiescala, con pesos de aprendizaje para priorizar las mapeos de características críticos. Probado en un conjunto de datos de 6500 imágenes de UAV, el enfoque propuesto alcanzó un AP50 del 86,4%, superando a detectores anteriores en un 3,9%, demostrando su eficacia en la detección temprana de humo en incendios forestales.

Detalles técnicos

Fecha de lanzamiento: 22 de enero de 1975 Estado: retirado del estado operativo: 5 de febrero de 1982; desactivado: 27 de julio de 1983 Sensores: RBV, MSS Altitud: aproximadamente 900 km Inclinación: 99.2° Órbita: polar, sincronizada con el sol Hora de cruce ecuatorial: aproximadamente 9:42 AM hora local media (nodo descendente) Período de revolución : 103 minutos; ~14 órbitas/día Cobertura repetida : 18 días

Empresa griega de SIG GET

Los conjuntos de datos finales y los polígonos de inundación detectados se muestran dinámicamente a través del Portal GET SDI, demostrando el potencial de los datos Sentinel-1 en la gestión de crisis. La imagen RGB creada a partir de los datos Sentinel-1 el 11 de febrero de 2018 (pre-crisis) y el 23 de febrero de 2018 (crisis) resalta las áreas inundadas en rojo debido al contraste en los valores de retrodispersión. Los polígonos de inundación se derivaron aplicando un umbral global a la diferencia entre las imágenes pre-crisis y de crisis.

https://www.getmap.eu/company/?lang=en

Los conjuntos de datos finales y los polígonos de inundación detectados se muestran dinámicamente a través del Portal GET SDI, demostrando el potencial de los datos Sentinel-1 en la gestión de crisis. La imagen RGB creada a partir de los datos Sentinel-1 el 11 de febrero de 2018 (pre-crisis) y el 23 de febrero de 2018 (crisis) resalta las áreas inundadas en rojo debido al contraste en los valores de retrodispersión. Los polígonos de inundación se derivaron aplicando un umbral global a la diferencia entre las imágenes pre-crisis y de crisis.

Sentinel 1

El lanzamiento

Fecha: Sentinel-1A - 03 de abril de 2014 Sentinel-1B - 25 de abril de 2016 Sentinel-1C - 5 de diciembre de 2024 Sitio: Kourou, Guayana Francesa Cohete: Sentinel-1A y -B en Soyuz Sentinel-1C en Vega-C

Detalles técnicos

Fecha de lanzamiento: 5 de octubre de 1993 Estado: perdido en el lanzamiento Sensor: ETM

Stephenson et al. (2022)

Introduce un enfoque novedoso basado en aprendizaje profundo para la cartografía de daños mediante series temporales de coherencia InSAR para mejorar la separación de daños inducidos por desastres de otros cambios en la superficie. Este método aprovecha redes neuronales recurrentes (RNNs) para analizar toda la historia temporal de las observaciones de radar de apertura sintética (SAR), detectando variaciones anómalas en las propiedades de la superficie.

Detalles técnicos

Fecha de lanzamiento: 16 de julio de 1982 Estado: desactivado, 15 de junio de 2001 Sensores: TM, MSS Altitud: 705 km Inclinación: 98.2° Órbita: polar, sun-synchronous Hora de cruce ecuatorial: aproximadamente 9:45 AM (± 15 min.) hora local (nodo descendente) Periodo de revolución: 99 minutos; aproximadamente 14.5 órbitas/día Cobertura repetida: 16 días

Acerca de Terra

De aproximadamente el tamaño de un autobús escolar pequeño, el satélite Terra lleva cinco instrumentos que toman mediciones coincidentes del sistema terrestre:

1. Radiómetro de Emisión y Reflexión Térmica Avanzado en Órbita (ASTER)
2. Sistema de Energía Radiante de las Nubes y la Tierra (CERES)
3. Espectroradiómetro de Imágenes Multiángulo (MISR)
4. Mediciones de Contaminación en la Troposfera (MOPITT)
5. Espectroradiómetro de Imágenes de Resolución Moderada (MODIS)

Jia & Ye, (2023)

Realice una revisión exhaustiva de las aplicaciones de aprendizaje profundo (DL) en Evaluación de Desastres por Terremotos (EDT), analizando 204 artículos para explorar el estado actual, desarrollo y desafíos. Categoriza los objetos de EDT en objetos de desastre (terremotos y desastres secundarios) y objetos físicos (edificios, infraestructura y áreas). El estudio examina el uso de datos de teledetección, sismología y redes sociales en EDT, destacando sus ventajas y limitaciones. También evalúa seis modelos de DL, incluyendo CNN, MLP, RNN, GAN, TL y modelos híbridos, en diferentes etapas de terremoto (pre-, durante-, post- y en múltiples etapas). Las CNN son notablemente prominentes para la clasificación de imágenes en la evaluación de daños en edificios. La revisión identifica desafíos en el entrenamiento de datos y modelos de DL, sugiriendo oportunidades en nuevas fuentes de datos, DL multimodal y conceptos emergentes, proporcionando valiosos conocimientos para investigadores y profesionales.

1925-45

Este período vio un uso extenso de la fotografía aérea, principalmente para cartografía topográfica mediante fotografías aéreas estereoscópicas. La Segunda Guerra Mundial impulsó en gran medida la mejora de la tecnología de fotografía aérea.

Sentinel 4 y 5

Sentinel-4 es una misión futura en órbita geoestacionaria que monitorea las concentraciones de gases traza de calidad del aire y aerosoles en Europa para apoyar servicios relacionados con la calidad del aire, aplicaciones y protocolos climáticos. Las misiones Sentinel-4 y Sentinel-5 se centran en el monitoreo de la composición atmosférica. Sentinel-4, Sentinel-5P y Sentinel 5 fueron concebidos para complementar el Servicio de Monitoreo de la Atmósfera de Copernicus (CAMS), que proporciona información agregada sobre contaminación atmosférica mundial, salud, energía solar, gases de efecto invernadero y forzamiento climático. Los objetivos de la misión Sentinel-4 incluyen:

1. Medir la calidad del aire
2. Monitorear el ozono estratosférico
3. Medir la radiación solar
4. Monitorear el cambio climático

enlace

1955-60

Las fotografías aéreas se volvieron más populares y sus aplicaciones se ampliaron más allá del mapeo topográfico para incluir geología, agricultura, medio ambiente, silvicultura, arqueología, etc.

Radar de Apertura Sintética (SAR)

Utiliza radar para crear imágenes detalladas de la superficie de la Tierra, incluso a través de nubes y en la oscuridad. El SAR se usa para evaluar daños en terremotos y monitorear erupciones volcánicas, proporcionando datos críticos para la evaluación temprana de daños y predicción de erupciones.

Redes Neuronales Convolucionales Multi-Instancia Profundas (DMCNN)

Un nuevo modelo de aprendizaje profundo diseñado para la clasificación en desastres en imágenes de teledetección de alta resolución. Detecta y clasifica diversos desastres naturales, ofreciendo capacidades robustas de gestión de desastres mediante la identificación y clasificación precisas de las regiones afectadas.

Taskin et al. (2022)

Presenta una arquitectura de aprendizaje profundo en conjunto basada en bloques compartidos para el mapeo de susceptibilidad a deslizamientos superficiales. Este enfoque busca abordar las limitaciones en la varianza del modelo y la generalización. Al combinar Redes Neuronales Convolucionales (CNN), Redes Neuronales Recurrentes (RNN) y modelos de Memoria a Largo Plazo (LSTM), el modelo en conjunto (CNN-RNN-LSTM) se aplicó a la provincia de Trabzon, Turquía. El conjunto logró el mejor rendimiento de modelado con una precisión de 0.93, superando a los modelos individuales. El modelo en conjunto mejoró la precisión general en hasta un 7% y demostró una mejora significativa (~4%) en la precisión del mapa de susceptibilidad, como lo confirmó la prueba de rangos con signo de Wilcoxon.

Instrumentos ERS:

• El Radiómetro de Escaneo a lo Largo de la Pista (ATSR) midió las temperaturas de la superficie del mar y las temperaturas en la cima de las nubes.
• El Experimento de Monitoreo Global de Ozono (GOME) fue un espectrómetro ultravioleta y visible de escaneo nadir para la monitorización global del ozono atmosférico.
• El Radiómetro de Microondas (MWR) midió la columna de vapor de agua atmosférico integrado y el contenido de agua líquida en las nubes, como términos de corrección para la señal del altímetro de radar.
• El Altímetro de Radar (RA) fue un sensor de microondas activo de banda Ku (13.8 GHz) orientado hacia abajo, diseñado para medir los ecos de retorno del tiempo desde superficies oceánicas y de hielo.
• El Radar de Apertura Sintética (SAR) en modo de ondas proporcionaba espectros bidimensionales de las olas en la superficie del océano.
• El Scatterómetro de Viento (WS) obtuvo información sobre la velocidad y dirección del viento en la superficie del mar para su incorporación en modelos, estadísticas globales y conjuntos de datos climatológicos.
• El Retroreflector Láser (LRR) fue un dispositivo pasivo utilizado como reflector por estaciones SLR terrestres que usan láseres pulsados de alta potencia.
• El Equipo de Rango Preciso y Rango-Rate (PRARE) fue un sistema compacto de seguimiento satelital de microondas bidireccional de dos frecuencias.

Descripción

Etapa crítica: Previene la amplificación de imperfecciones en el procesamiento digital. Correcciones atmosféricas: Necesarias para resultados precisos. Correcciones geométricas: Transforma las imágenes en mapas para uso en SIG. Proceso de conversión: Implica convertir las coordenadas de la imagen a un sistema de proyección cartográfica usando algoritmos polinomiales y puntos de control.

El proyecto SEASFire

se centra en desarrollar un sistema de monitoreo y gestión en tiempo real de incendios forestales. Integra datos satelitales, UAVs y sensores terrestres para proporcionar una conciencia situacional integral y apoyo a los esfuerzos de extinción de incendios.

El sistema busca mejorar las capacidades de toma de decisiones para la gestión de incendios forestales mediante tecnologías avanzadas y análisis de datos. Al aprovechar estas herramientas, SEASFire pretende mejorar la eficiencia y efectividad de las operaciones de extinción de incendios, reduciendo en última instancia el impacto de los incendios forestales. Liderado por el Observatorio Nacional de Atenas y financiado por la ESA, el proyecto tiene como objetivo predecir los patrones estacionales de incendios forestales en Europa utilizando modelos avanzados de aprendizaje profundo y datos de Observación de la Tierra. El proyecto se centra en comprender las conexiones espacio-temporales entre las condiciones atmosféricas y los regímenes de incendios (“SeasFire –Deep Learning del Sistema Terrestre para la Predicción Estacional de Incendios en Europa,” 2024).

1960-Presente

Esta etapa se caracteriza por el desarrollo activo de satélites y sensores. En 1960, se lanzó el primer satélite meteorológico, marcando una nueva era de intensa actividad e investigación en la percepción remota. Durante este período, algunos sistemas de grabación de satélites, inicialmente desarrollados exclusivamente para fines militares comenzaron a usarse ampliamente, ya que se desarrollaron sistemas más avanzados para aplicaciones militares.

Wang et al., (2021)

Identifique la Red de Atención al Canal Separables (SCANet) como una tecnología profunda prometedora para gestionar desastres naturales, especialmente deslizamientos de tierra. SCANet aprovecha un codificador Poolformer y un decodificador SCA-FPN para mejorar la precisión de la detección de deslizamientos desde imágenes de teledetección. Al mejorar la predicción a nivel de píxel y reducir la complejidad computacional, SCANet supera significativamente a los métodos existentes, ayudando en esfuerzos rápidos de rescate y restauración ecológica tras el desastre.

El sistema de telemetría Maestro

desarrollado por la Universidad Aristotle de Tesalónica, está diseñado para predecir y gestionar incendios forestales. Implica colocar sensores inalámbricos en áreas forestales para recopilar datos de temperatura, humedad, velocidad del viento, detección de llamas y humo. Estos datos, transmitidos a través de internet, se utilizan para predecir riesgos de incendio e informar planes de protección civil. El sistema será probado en un incendio controlado en la granja de la universidad para evaluar la sensibilidad de los sensores.

Ofire+ de OMIKRON SA

es un sistema innovador diseñado para mejorar la preparación operativa para gestionar crisis de incendios forestales en municipios y regiones. Ofrece una combinación de soluciones científicas y tecnológicas, proporcionando datos meteorológicos diarios, puntos de ignición de incendios, simulaciones de comportamiento del fuego, características de vegetación y un índice de fuego y clima. El sistema incluye una aplicación de gestión web/en la nube para las autoridades municipales y una aplicación móvil para el personal, voluntarios, residentes y visitantes, permitiendo un uso autónomo para propiedades individuales.

Financiado por la UE y recursos nacionales, tiene como objetivo mejorar la gestión y respuesta a crisis (Omikron S.A., 2024)

https://ofireplus.com/

Ntinopoulos et al. (2023)

Explora la fusión de índices relacionados con incendios detectados a distancia para la predicción de incendios forestales utilizando inteligencia artificial. El estudio emplea Redes Neuronales Artificiales (ANN) y Redes de Función de Base Radial (RBF) para predecir igniciones de incendios forestales en Grecia, utilizando índices como el Índice de Clima de Incendios (FWI), el Índice de Clima de Incendios Fosberg (FFWI), el Índice de Vegetación de Diferencia Normalizada (NDVI) y el Índice de Humedad de Diferencia Normalizada (NDMI). Además, introducen un nuevo índice, "FWI Mejorado por Vegetación" (FWIveg), que combina FWI con información de NDVI. Desarrollado a través de la plataforma Google Earth Engine, este índice se optimiza usando un algoritmo genético. La robustez de la metodología se demostró prediciendo el incendio forestal de Mati en 2018 en Atenas, Grecia, mostrando la efectividad de integrar FWIveg con redes neuronales para la predicción de incendios.

Redes Generativas Antagonistas (GANs)

Las GANs se emplean para mejorar la resolución de imágenes de percepción remota, mejorando así la precisión de las evaluaciones de impacto por desastres. Estas generan imágenes de alta resolución a partir de entradas de baja resolución, lo cual es crucial para un análisis detallado en áreas afectadas por desastres.

MISIÓN

Los satélites ERS-1 y ERS-2, lanzados en los años 90, utilizan radar de apertura sintética (RAS) para el mapeo de la Tierra. Envisat, lanzado en 2002, proporcionó datos para monitorear el medio ambiente y los cambios climáticos hasta 2012.

Long et al. (2021)

Presenta un estudio sobre el uso del aprendizaje profundo para la monitorización de emergencias en desastres de deslizamientos de tierra de alto nivel en la zona del río Jinsha. Combinando imágenes de teledetección por satélite con diversos factores que inducen deslizamientos, el estudio establece dos modelos de detección : Redes de Creencias Profundas (DBN) y Redes Neuronales Convolucionales-Redes de Creencias Profundas (CDN). El rendimiento de los modelos se analiza en función de parámetros como el número de neuronas y capas de aprendizaje, logrando las DBN y CDN precisiones de detección del 97.56% y 97.63%, respectivamente. Esta investigación demuestra la viabilidad de estos modelos para monitorear con precisión los deslizamientos de tierra, proporcionando valiosos conocimientos para la gestión de desastres en la región.

Dinh et al. (2022)

Evalúa el rendimiento de varios optimizadores para Deformable-DETR en el contexto de la evaluación de daños por desastres naturales. Aprovechando los avances recientes en visión por ordenador y teledetección con UAV, el estudio busca mejorar la respuesta ante desastres mediante la mejora de los métodos de detección de daños. Deformable DETR, una mejora del método de detección de objetos basado en Transformer, se examina por su eficiencia y tiempo de convergencia. Los investigadores analizan múltiples optimizadores para mejorar el rendimiento de Deformable DETR, demostrando su idoneidad y eficacia para una evaluación rápida de daños en escenarios de desastre.

Detalles técnicos

Fecha de lanzamiento: 23 de julio de 1972 Estado: expirado, 6 de enero de 1978 Sensores: RBV, MSS Altitud: aproximadamente 900 km Inclinación: 99.2° Órbita: polar, de sincronización solar Hora de cruce ecuatorial: aproximadamente 9:42 AM hora local media (nodo descendente) Período de revolución: 103 minutos; aproximadamente 14 órbitas/día Cobertura repetida: 18 días

Chen et al. (2023)

Propone un método de segmentación semántica híbrido basado en K-Net para extraer cuerpos de agua de lagos, abordando ineficiencias y peligros en los métodos tradicionales. Esta estrategia introduce núcleos semánticos dinámicos para refinar iterativamente la información de características, mejorando significativamente la precisión de extracción en imágenes de teledetección. La validación en un conjunto de datos de Google demuestra la superioridad del modelo, con el modelo UperNet +K-Net usando Swin-l logrando la puntuación más alta de intersección sobre unión media (mIoU) del 97.77%. La incorporación del módulo K-Net mejora consistentemente el mIoU en todos los modelos evaluados.

Antes de 1925

Este período se caracteriza por la experimentación con aplicaciones de fotografía desde globos y aviones para el mapeo topográfico. Desde el principio, estas fotografías destacaron el valor de la fotografía aérea, especialmente durante la Primera Guerra Mundial, cuando se usaron para localizar y mapear posiciones estratégicas.