Introducir la IA en la observación de la Tierra: una nueva era en la respuesta al cambio climático
Las arquitecturas convencionales de aprendizaje automático no son adecuadas para abordar los problemas de observación de la Tierra (OT). El proyecto DeepCube, financiado por la UE, está introduciendo soluciones innovadoras para superar esta dificultad. Mediante el uso de tecnologías avanzadas de IA y web semántica, DeepCube está accediendo a los vastos datos abiertos producidos a diario por los satélites Sentinel del programa Copernicus EO para abordar problemas medioambientales y sociales de gran impacto relacionados con la emergencia climática. «Nuestro objetivo va más allá de las aplicaciones estándar de clasificación por visión artificial y se centra en la estimación cuantitativa de variables relacionadas con procesos geofísicos y biológicos», señala Ioannis Papoutsis, coordinador del proyecto.
Tecnologías avanzadas de IA al rescate
La investigación de DeepCube se centra en determinados problemas de gran repercusión relacionados con la interacción entre la biosfera, la atmósfera y la antroposfera. Entre ellas se incluyen la previsión de los efectos de la sequía y el calor y la comprensión de la migración inducida por el clima en África, la previsión del riesgo de incendios forestales en las regiones mediterráneas, la vigilancia de las infraestructuras para detectar la inestabilidad del suelo y la evaluación del impacto medioambiental del turismo. Para resolver estos complejos problemas, DeepCube utiliza una combinación de aprendizaje profundo basado en datos y modelado físico para crear un enfoque híbrido único que trasciende los límites de la IA convencional. «Aportar conocimientos especializados y leyes físicas, al tiempo que se reducen las incertidumbres, ayuda a comprender la dinámica de los ecosistemas tras fenómenos como las sequías», explica Papoutsis. DeepCube también utiliza IA explicable e IA causal en sus procesos de aprendizaje profundo (una secuencia de pasos que procesa datos, diseña arquitecturas de redes neuronales profundas, entrena modelos y genera predicciones mediante técnicas de aprendizaje profundo). «La IA explicable abre la «caja negra» del aprendizaje profundo para facilitar la comprensión de ciertas predicciones. Por ejemplo, al aplicar esta técnica a la previsión del riesgo de incendios forestales, podremos identificar los principales factores que influyen en las predicciones del modelo», afirma Papoutsis. La IA causal, otro componente clave, ayuda a entender las conexiones causa-efecto en los modelos. Esto es fundamental a la hora de abordar cuestiones como los desplazamientos inducidos por el clima, donde es necesario identificar y cuantificar las relaciones entre conflicto, sequía y desplazamiento.
Tecnologías punteras que sustentan los procesos de IA
Las aplicaciones de DeepCube se nutren de tecnologías que permiten la creación de procesos de IA. Entre ellos se encuentran Earth System Data Cube (ESDC), un conjunto unificado de datos de variables esenciales del sistema terrestre y Semantic Data Cube, que enriquece el ESDC a nivel semántico. Además, DeepCube amplía Hopsworks, una plataforma de IA de código abierto que facilita el aprendizaje profundo distribuido. El proyecto también proporciona herramientas de visualización, como Sextant, para interactuar con datos geoespaciales enlazados y una plataforma web para extraer conceptos visuales de flujos de medios sociales. En última instancia, la plataforma DeepCube proporciona un entorno integrado para que los especialistas en OT e IA creen cadenas de valor a partir de datos de OT sin procesar y de otras fuentes. Esta plataforma adaptable puede implementarse en diversos entornos informáticos en la nube, al tiempo que todas las tecnologías mencionadas que la integran comparten recursos y definen flujos de datos en una solución unificada.
Fomentar la ciencia mediante la investigación de libre acceso y las asociaciones mundiales
DeepCube ha hecho contribuciones sustanciales a la comunidad científica, al publicar investigaciones de alto impacto y ofrecer sus modelos de aprendizaje profundo, códigos, conjuntos de datos y ontologías como activos de acceso abierto. En particular, los investigadores publicaron «Hephaestus», un conjunto único de datos anotados a mano de interferogramas de Sentinel-1 para el desarrollo de servicios de alerta rápida de disturbios volcánicos. En su investigación sobre la previsión del riesgo de incendios forestales, los investigadores publicaron "mesogeos", un cubo de datos diarios para elaborar modelos de previsión del riesgo de incendios para el día siguiente en el Mediterráneo. DeepCube también implica a los beneficiarios directos en el diseño y la evaluación de sus servicios para maximizar el impacto. El trabajo sobre migraciones inducidas por el clima se desarrolla en colaboración con el Observatorio de Desplazamiento Interno y ha despertado el interés de ONG y organizaciones internacionales como UNICEF, el Programa Mundial de Alimentos y el Programa de las Naciones Unidas para el Desarrollo. Su servicio de previsión de riesgo de incendios, desarrollado en colaboración con el servicio de bomberos de Grecia, también ha captado el interés de la iniciativa «AI for Good» de la Unión Internacional de Telecomunicaciones.
Palabras clave
DeepCube, OT, aprendizaje profundo, IA explicable, observación de la Tierra, Copérnico, IA causal, inteligencia artificial