Desencadenar el potencial de los datos de observación de la Tierra
La recopilación de datos de observación de la Tierra (OT) está aumentando de forma exponencial gracias a los satélites, los sensores «in situ» y otros medios, incluidos los aficionados a la ciencia. Estos datos procedentes de múltiples fuentes están en diferentes formatos y escalas temporales y espaciales, lo cual dificulta cada vez más, incluso para los expertos técnicos, analizar la información básica de forma eficaz, rápida y rentable. El proyecto EO4EU, financiado con fondos europeos, tiene como objetivo desarrollar una plataforma integral para facilitar el descubrimiento y el procesamiento de datos de OT. Al consolidar cantidades ingentes de datos procedentes de proveedores de datos de OT, sus modelos de aprendizaje automático extraen dinámicamente patrones e información que son de fácil acceso para los usuarios a través de interfaces de usuario mejoradas y una realidad extendida.
Ecosistema de datos EO4EU
La plataforma EO4EU consolida: datos históricos de conjuntos de datos de libre acceso; datos en tiempo real, incluidos los procedentes de dispositivos ponibles inteligentes, aplicaciones móviles y sensores de internet de las cosas, y datos y servicios de plataformas mundiales y europeas en la nube. Entre estos últimos figuran Copérnico, Galileo/Sistema Europeo de Navegación por Complemento Geoestacionario, GEOSS (la Red Mundial de Sistemas de Observación de la Tierra), DestinE (Destino Tierra) y el Centro Europeo de Previsiones Meteorológicas a Plazo Medio. Los usuarios pueden acceder a datos de OT en bruto, ejecutar una consulta en lenguaje natural de las fuentes e examinar los conjuntos de datos disponibles por descripción. «EO4EU posibilita a los usuarios acceder a la información precisa que necesitan para sus investigaciones, análisis y procesos de toma de decisiones», explica Efstathios Chadjiefthymiadis, de la Universidad Nacional y Kapodistríaca de Atenas, entidad coordinadora del proyecto.
El aprendizaje automático y los grafos de conocimiento facilitan el procesamiento holístico de los datos de OT
El aprendizaje automático favorece la anotación dinámica y la compresión de cantidades ingentes de datos de OT, lo cual reduce de forma sustancial el tiempo y el coste de la anotación manual. Gracias a los últimos avances en métodos de aprendizaje no supervisado, la plataforma EO4EU extrae información útil incluso de grandes conjuntos de datos sin anotar. Estas representaciones informan las tareas posteriores para el entrenamiento de modelos centrados en la tarea. La plataforma EO4EU emplea grafos de conocimiento para integrar fuentes de datos de OT heterogéneas y distribuidas, lo que disminuye la necesidad de procesar datos complejos y reduce el tiempo de desarrollo de nuevas aplicaciones de OT. El motor de fusión hace que el usuario pueda combinar conjuntos de datos de diferentes instantáneas espaciotemporales. «La naturaleza genérica de la plataforma no sería factible sin la abstracción de datos y el procesamiento uniforme que permiten los grafos de conocimiento. Los grafos de conocimiento relacionan diferentes conjuntos de datos, teorías y modelos, de modo que facilitan el análisis interdisciplinar y una comprensión holística del sistema terrestre y sus procesos interconectados», explica Chadjiefthymiadis.
Realidad aumentada/extendida y su uso
La plataforma EO4EU cuenta con una interfaz de fácil uso que incluye paneles personalizados, un motor de búsqueda inteligente y prestaciones de visualización, análisis e interpretación de datos. Los usuarios también pueden escribir su propio código y ejecutarlo sin necesidad de servidor, todo ello con el mínimo esfuerzo. Por último, la plataforma EO4EU ofrece una experiencia inmersiva gracias a su interfaz de realidad aumentada y extendida. Todas estas prestaciones están disponibles de forma gratuita a través de un sencillo proceso de inscripción. La plataforma se probó en siete casos de uso. Por ejemplo, el caso de uso de la vigilancia oceánica aprovecha un flujo de integración de datos de extracción, transformación y carga (ETL, por sus siglas en inglés), que recopila de forma ininterrumpida datos meteorológicos y los integra con datos operativos de buques a fin de optimizar el consumo de combustible y las rutas. «Este proceso de ETL ayuda a entrenar modelos que predicen con precisión el consumo de combustible. Las predicciones se emplean al instante para sugerir rutas alternativas respetuosas con el medio ambiente, garantizando así el cumplimiento de las normas reglamentarias. Además, desarrollamos una red neuronal convolucional para vigilar las condiciones oceánicas y predecir fenómenos meteorológicos ambientales al instante», explica Chadjiefthymiadis. El proyecto EO4EU contribuyó de forma inestimable a garantizar que los datos de OT se ajusten a los principios de datos localizables, accesibles, interoperables y reutilizables (FAIR, por sus siglas en inglés) con su plataforma integral que facilita la búsqueda, el acceso y la reutilización de datos y análisis de OT. Esta ayudará considerablemente a mejorar los conocimientos ambientales a nivel nacional y comunitario.
Palabras clave
EO4EU, grafos de conocimiento, observación de la Tierra, realidad extendida, aprendizaje automático, IA, fusión de datos, openEO
