Mejora de las aplicaciones de observación de la Tierra mediante datos sintéticos

GMV ha concluido con éxito su proyecto Synthetic Data for Earth Observation (SD4EO), una iniciativa de investigación llevada a cabo con la colaboración del grupo ARTEC de la Universidad de Valencia y financiada por el programa FutureEO de la Agencia Espacial Europea (ESA). El proyecto tiene como objetivo demostrar las ventajas de la integración de datos físicos y basados en IA en las aplicaciones de observación de la Tierra (EO). 

SD4EO se ha centrado en dos tipos de simulación:

• Procesamiento físico. El equipo de ARTEC utilizó el motor gráfico Unity para producir imágenes sintéticas de alta calidad. Este proceso se basa en una simulación precisa tanto del comportamiento de la luz como de las propiedades específicas de los sensores involucrados.

   

• Simulación mediante IA. GMV desarrolló modelos avanzados de difusión condicional, los cuales comienzan con una distribución estadística aleatoria. A través de un proceso iterativo, esta distribución se adapta considerando obstáculos, permitiendo que las características simuladas evolucionen hasta replicar con precisión la imagen o señal objetivo.

   

Los datos sintéticos se integraron a través de datos reales de observación de la tierra mediante flujos de procesamiento de datos impulsados por inteligencia artificial. Este enfoque permitió evaluar su capacidad para optimizar el rendimiento en aplicaciones orientadas a la categorización de objetivos.

1. Categorización de campos de cultivo. La integración de datos sintéticos mantuvo o mejoró levemente el rendimiento de la clasificación de cultivos. La combinación de datos sintéticos de cultivos poco comunes, como la avena y la alfalfa, con datos reales de observación de la tierra  alcanzó los mayores niveles de precisión. Estos resultados destacan la efectividad de los datos sintéticos dirigidos a la hora de abordar retos relacionados con la clasificación en tareas multiclase.

2. Categorización de asentamientos humanos. La integración de datos sintéticos mejoró el rendimiento general en la detección de áreas urbanizadas. Los prometedores resultados obtenidos al trabajar únicamente con datos sintéticos garantizan nuevas investigaciones, sobre todo en casos en los que resulta complicado obtener datos reales de observación de la tierra.

3. Seguimiento de paneles fotovoltaicos. El rendimiento de los modelos mejoró de manera general al integrar conjuntos de datos físicos y generados mediante inteligencia artificial, logrando los mejores resultados en combinación. Los hallazgos indican que la cantidad adecuada de datos sintéticos puede mejorar el rendimiento de los modelos, siendo la proporción ideal variable en función de la distribución y el volumen de los datos.

Estos prometedores resultados sientan las bases para investigaciones más detalladas, como la depuración de datos sintéticos y la realización de experimentos adicionales, acciones que permitirán comprender con mayor profundidad las ventajas en aplicaciones de observación de la tierra. Los conjuntos de datos simulados y las herramientas empleadas se han puesto a disposición del público para fomentar nuevas investigaciones y desarrollos:

• Los datos sintéticos generados están disponibles en Zenodo.

   

• El código para generar los datos físicos y los datos basados en IA está disponible en GitHub.