Aqualia
Connecting Waterpeople

#GEOAI. Inteligencia artificial aplicada a datos espaciales para la gestión del agua

  • #GEOAI. Inteligencia artificial aplicada datos espaciales gestión agua
  • #GEOAI. Inteligencia artificial aplicada datos espaciales gestión agua

Sobre el blog

Ignasi Servià Goixart
Consultor en temas estratégicos y territoriales relacionados con los regadíos. Agro Business Intelligence

Esri España despedía el año 2021 explicando los importantes avances que se habían producido durante el 2021 en materia de #DeepLearning, compartiendo casos de éxito de diferentes clientes y explicando que se ofrecen 25 modelos como #Saas (Software as a Service) para hacer más accesible la inteligencia artificial.

Entrando en la página Esri se puede consultar la lista de modelos previamente entrenados en Living Atlas:

  • 1. Extraer huellas de edificios en África a partir de imágenes aéreas o satelitales de alta resolución.
  • 2. Extraer huellas de edificios en Australia a partir de imágenes aéreas o satelitales de alta resolución.
  • 3. Extraer huellas de edificios a partir de imágenes aéreas y satelitales de alta resolución.
  • 4. Detectar coches en imágenes de alta resolución.
  • 5. Contar el número de personas en una imagen.
  • 6. Difuminar rostros humanos en imágenes a nivel de calle.
  • 7. Realizar la clasificación de la cobertura terrestre en imágenes de alta resolución.
  • 8. Detectar personas usando imágenes de drones.
  • 9. Realizar la clasificación de asentamientos humanos en imágenes Landsat 8.
  • 10. Realizar la clasificación de asentamientos humanos en imágenes de Sentinel-2.
  • 11. Realizar la clasificación de la cobertura terrestre en imágenes de Landsat 8.
  • 12. Realizar la clasificación de la cobertura terrestre en las imágenes de Sentinel-2.
  • 13. Difuminar las matrículas de los vehículos en imágenes a nivel de calle.
  • 14. Realizar la clasificación de manglares en imágenes Landsat 8.
  • 15. Rastrear objetos en imágenes en movimiento.
  • 16. Detectar palmeras en imágenes de alta resolución.
  • 17. Extraer parcelas a partir de imágenes aéreas y satelitales de alta resolución.
  • 18. Detectar piscinas en imágenes aéreas o satelitales de alta resolución.
  • 19. Clasificar las nubes de puntos en cables de distribución, postes o fondo.
  • 20. Extraer carreteras a partir de imágenes de satélite de alta resolución.
  • 21. Extraer carreteras a partir de imágenes de satélite de alta resolución.
  • 22. Detectar barcos a partir de los datos SAR de la banda Sentinel-1 C.
  • 23. Detectar naufragios en datos BAG de alta resolución.
  • 24. Detectar paneles solares a partir de imágenes de alta resolución.
  • 25. Clasificar la nube de puntos en árboles o fondo.
  • 26. Detectar pozos de petróleo a partir de imágenes de Sentinel-2.
  • 27. Extraer ventanas y puertas en datos de edificios mostrados en vistas 3D. Este modelo se entrenó con el conjunto de datos de imágenes abiertas.

En estos 27 modelos, hay modelos relacionados con infraestructuras (Carreteras, parcelas, pozos petrolíferos, placas solares, red eléctrica, etc), personas (contar personas, difuminar caras, etc…), pero también varios modelos que tienen relación directa con el agua.

Destaco 8 modelos relacionados con la gestión del agua:


Fig. 1. Realizar la clasificación de la cobertura terrestre en imágenes de alta resolución.


Fig. 2. Realizar la clasificación de asentamientos humanos en imágenes de Sentinel-2.


Fig. 3. Realizar la clasificación de la cobertura terrestre en las imágenes de Sentinel-2.


Fig. 4. Realizar la clasificación de manglares en imágenes Landsat 8


Fig. 5. Detectar palmeras en imágenes de alta resolución.


Fig. 6. Extraer parcelas a partir de imágenes aéreas y satelitales de alta resolución.


Fig. 7. Detectar piscinas en imágenes aéreas o satelitales de alta resolución.


Fig. 8. Clasificar la nube de puntos en árboles o fondo.

Me gustaría compartir que durante este año un investigador me explicó que habían realizado una clasificación de los sistemas de riego en una Comunidad de Regantes de la provincia de Lleida. Yo le comenté que era interesante el modelo en caso de no tener datos de las parcelas, pero que en Catalunya esta información ya estaba disponible como datos abiertos para una parte importante del territorio. Es una de las novedades del mapa de cultivos de 2021.

Disponer de esta información Open Data puede servir para entrenar modelos #DeepLearning, y así poder aplicar el modelo en otras zonas.

El número de modelos de AI relacionados con la agricultura no para de crecer. Aplicaciones variables de productos (fitosanitarios, herbicidas, fertilizantes), predicción de cosechas, robótica para la recolección de cosechas, etc).

En los próximos años la transformación digital en el sector del agua y la agricultura, cada vez se acelera más.