{"id":529381,"date":"2022-06-07T11:25:31","date_gmt":"2022-06-07T15:25:31","guid":{"rendered":"https:\/\/gijn.org\/?p=529381"},"modified":"2024-01-30T06:22:41","modified_gmt":"2024-01-30T11:22:41","slug":"guia-para-utilizar-inteligencia-artificial-e-imagenes-satelitales-en-tus-investigaciones","status":"publish","type":"post","link":"https:\/\/gijn.org\/es\/articulos\/guia-para-utilizar-inteligencia-artificial-e-imagenes-satelitales-en-tus-investigaciones\/","title":{"rendered":"Gu\u00eda para utilizar inteligencia artificial e im\u00e1genes satelitales en tus investigaciones"},"content":{"rendered":"

Nota del editor: Este <\/i>art\u00edculo<\/i><\/a> se public\u00f3 originalmente en <\/i>Notion<\/a>. Se publica aqu\u00ed con permiso de los autores.\u00a0<\/i><\/p>\n

Esta es la historia de c\u00f3mo nuestro equipo de periodistas y apasionados de los datos \u2014cuya colaboraci\u00f3n surgi\u00f3 a partir de 2021 JournalismAI Collab Challenges<\/a>\u2014 utiliz\u00f3 la inteligencia artificial para realizar una investigaci\u00f3n. Nuestra herramienta podr\u00eda usarse para identificar, por ejemplo, aeronaves ilegales en \u00e1reas remotas, la expansi\u00f3n de la deforestaci\u00f3n o comprobar si se est\u00e1 construyendo cierta v\u00eda p\u00fablica.<\/p>\n

La indicaci\u00f3n visual de un cambio espec\u00edfico en el terreno o una infraestructura peculiar vista desde las alturas podr\u00edan ser el comienzo de una historia. Si est\u00e1s investigando e intentando decidir si las im\u00e1genes satelitales podr\u00edan verificar tus descubrimientos \u2014o para recolectar nueva evidencia y no tienes idea de d\u00f3nde empezar\u2014 esta gu\u00eda es para ti.<\/p>\n

Nuestro equipo (con integrantes de Bloomberg News<\/a>, CLIP<\/a>, Data Cr\u00edtica<\/a> y La Naci\u00f3n<\/a>) estaba interesado en explorar el uso de im\u00e1genes satelitales con t\u00e9cnicas computacionales aplicadas para la creaci\u00f3n de piezas period\u00edsticas. Sab\u00edamos que estas im\u00e1genes capturadas por sat\u00e9lites contienen informaci\u00f3n que podr\u00eda, potencialmente, aumentar nuestra capacidad para escribir narrativas atractivas sobre el estado de nuestro planeta. Estas herramientas tienden a ser complejas y encontrarse fuera del alcance de muchos periodistas. As\u00ed que quer\u00edamos crear un flujo de trabajo replicable que pudiera utilizarse para nuevas ideas y proyectos.<\/p>\n

En M\u00e9xico: Data Cr\u00edtica obtuvo informaci\u00f3n sobre la presencia de ganado en \u00e1reas protegidas en el sudeste de M\u00e9xico. Estas \u00e1reas son muy importantes, ya que conforman el bosque h\u00famedo tropical m\u00e1s grande en M\u00e9xico y Centroam\u00e9rica. Este dato fue relevante para obtener im\u00e1genes con alta probabilidad de ofrecer informaci\u00f3n de calidad para entrenar a un algoritmo, el cual podr\u00eda utilizarse despu\u00e9s para detectar \u00e1reas similares aplic\u00e1ndolo a nuevas zonas, que en algunos casos hab\u00edan sido descartadas antes de este ejercicio.<\/p>\n

En Colombia: <\/b>CLIP, junto con su colaborador local 360 y apoyado por el Pulitzer Center on Crisis Reporting, utiliz\u00f3 datos de vacunaci\u00f3n de bovinos para identificar una alta densidad de vacas en la frontera de cuatro parques nacionales que son ecosistemas de transici\u00f3n claves para proteger la selva del Amazonas. Para ubicar mejor a las vacas en el mapa, tambi\u00e9n colaboramos con la Fundaci\u00f3n para la Conservaci\u00f3n y el Desarrollo Sostenible (Fcds) que posee un amplio conocimiento de campo de estos bosques, ya que las fuentes no siempre concuerdan entre s\u00ed respecto a la geograf\u00eda de estas regiones. La informaci\u00f3n m\u00e1s actualizada era de 2020. Identificar a las vacas en las im\u00e1genes satelitales nos permitir\u00eda evaluar la situaci\u00f3n actual y establecer si el ganado y la deforestaci\u00f3n que conlleva se hab\u00eda seguido expandiendo.<\/p><\/blockquote>\n

Conseguir, almacenar y procesar las im\u00e1genes satelitales<\/b><\/h4>\n

En cuanto fijamos nuestra atenci\u00f3n en buscar cualquier indicaci\u00f3n de ganader\u00eda ilegal dentro de los bosques protegidos del Amazonas, nuestro siguiente paso fue adquirir im\u00e1genes que pudieran apoyarnos. Este ser\u00eda el ingrediente principal para los algoritmos de visi\u00f3n artificial que quer\u00edamos probar y entrenar. En un principio, ten\u00edamos la ambiciosa meta de enfocarnos en los cuatro pa\u00edses latinoamericanos (M\u00e9xico, Colombia, Brasil y Argentina) que cubr\u00edan nuestras respectivas organizaciones, pero pronto nos dimos cuenta de que deber\u00edamos reducir nuestras \u00e1reas de inter\u00e9s, porque este paso result\u00f3 m\u00e1s complicado de lo que hab\u00edamos anticipado.<\/p>\n

Hoy en d\u00eda, las fotograf\u00edas satelitales son m\u00e1s accesibles que nunca, pero conseguir im\u00e1genes de alta calidad \u2014las resoluciones que permiten identificar un objeto\u2014 tiene un alto coste. Aunque intentamos contactar con los principales proveedores \u2014como Maxar, Planet, Sentinel o Google Earth\u2014, descubrimos que es dif\u00edcil obtener respuesta a tus consultas cuando est\u00e1s interesado en una colaboraci\u00f3n o un proyecto peque\u00f1o. Sin embargo, pronto encontramos que cada vez m\u00e1s programas ofrecen acceso gratuito y\/o descargas de im\u00e1genes satelitales para organizaciones y periodistas que buscan objetivos espec\u00edficos, y nos decantamos por ellas.<\/p>\n

Utilizamos el programa NICFI de Planet<\/a>, enfocado en la conservaci\u00f3n de la biodiversidad. Estas im\u00e1genes tienen una resoluci\u00f3n de 4.7 metros por p\u00edxel; es m\u00e1s alta que las im\u00e1genes Landsat, pero con menos canales.<\/p>\n

Dos criterios que debes tener en mente durante esta etapa:\u00a0<\/b><\/p>\n

Costos y disponibilidad de im\u00e1genes: <\/b>el precio depende de la calidad y la calidad depende del tipo de detecci\u00f3n que requieras para tu historia. Por ejemplo, en nuestro caso, detectar vacas es una tarea m\u00e1s detallada que encontrar la presencia de parchparcelas en un campo grande. O, en general, anotar las im\u00e1genes. Almacenar y procesar im\u00e1genes: <\/b>una fotograf\u00eda satelital de alta calidad requiere al menos 0.3 GB por 100 kil\u00f3metros cuadrados. Esto se traduce a alrededor de dos terabytes de im\u00e1genes para cubrir un \u00e1rea del tama\u00f1o de Texas y hasta 26 terabytes para una de la dimensi\u00f3n de Brasil. Mantener el \u00e1rea limitada te permitir\u00e1 ser realista respecto a tu capacidad para almacenar y procesar las im\u00e1genes. Si queremos realizar alg\u00fan tipo de detecci\u00f3n de cambios (comparando c\u00f3mo se ve\u00eda el \u00e1rea hace un a\u00f1o, por ejemplo), esto duplica la capacidad de almacenamiento necesaria.<\/p>\n

Comprender las t\u00e9cnicas de IA disponibles<\/b><\/h4>\n

Para alcanzar nuestras conclusiones, encontramos a alguien que ya hab\u00eda intentado desarrollar algoritmos inteligentes para detectar cambios, fen\u00f3menos o animales en el terreno por medio de im\u00e1genes satelitales. Esto signific\u00f3:<\/p>\n

Hablar con gente con experiencia y documentar sus t\u00e9cnicas. Encontrar una IA o t\u00e9cnica de visi\u00f3n artificial adecuada para procesar las im\u00e1genes.<\/p>\n

Tambi\u00e9n quer\u00edamos hablar con quienes ya hubieran trabajado en proyectos que utilizan im\u00e1genes satelitales combin\u00e1ndolas con t\u00e9cnicas de aprendizaje autom\u00e1tico.<\/p>\n

Lo que aprendimos con nuestras entrevistas e investigaci\u00f3n:<\/b><\/p>\n

Hay muchas t\u00e9cnicas de IA disponibles para procesar im\u00e1genes, descomponer los datos que contienen y crear nuevas asociaciones para encontrar informaci\u00f3n adicional. Por ejemplo, necesit\u00e1bamos entrenar un algoritmo de identificaci\u00f3n de objetos para que identificara el ganado en las im\u00e1genes, pero que tambi\u00e9n usara un an\u00e1lisis de series temporales en m\u00faltiples fotograf\u00edas para encontrar los cambios dentro de las regiones boscosas. Esto aument\u00f3 los retos computacionales y nos ayud\u00f3 a formular un procedimiento t\u00e9cnico en la etapa inicial del prototipo.\u00a0 Descubrimos que Texty.org.ua<\/a>, una agencia de periodismo de datos en Ucrania, hab\u00eda realizado un proyecto similar para Leprosy of the Land<\/a>, aplicando un modelo autom\u00e1tico para detectar la explotaci\u00f3n de \u00e1mbar con im\u00e1genes satelitales y demostrar c\u00f3mo est\u00e1 creando un paisaje casi lunar en m\u00e1s de 70,000 kil\u00f3metros cuadrados. Entrevistamos a Anatoly Bondarenko de Texty. Tambi\u00e9n hablamos con Alfredo Kalaitzis<\/a> del proyecto Counting Cows. (Puedes ver los datos de este proyecto<\/a> en GitHub). Ya que las vacas no son un objetivo est\u00e1tico, cualquier imagen con una definici\u00f3n menor a 0.5 metros por p\u00edxel solo nos serv\u00eda si estaba tomada en nadir (el punto justo debajo del observador). Incluso, 10 grados de inclinaci\u00f3n en el \u00e1ngulo de la imagen afectar\u00eda la resoluci\u00f3n. Sin embargo, los alrededores pueden revelar la presencia de ganado \u2014con indicadores como vallas, establos, tierra de cultivo o abrevaderos\u2014 si el objetivo no es contar las vacas, sino establecer su presencia o ausencia. Esto fue clave para nosotros en From Above, porque, al final, decidimos enfocarnos en los indicadores en lugar de llevar un conteo de las vacas en s\u00ed.\u00a0 En este caso, las im\u00e1genes en alta resoluci\u00f3n para su proyecto las obtuvieron gracias a su socio, Global Witness, que se las hab\u00eda comprado a Maxar con fondos recaudados. Puedes pagar para pedir a un sat\u00e9lite que tome fotograf\u00edas de un \u00e1rea en particular, pero tambi\u00e9n puedes comprar las licencias para utilizar algunas de las que alguien m\u00e1s ya encarg\u00f3. A ellos les permitieron publicar su proyecto con capturas de las im\u00e1genes originales. A partir de esta recomendaci\u00f3n, nuestro equipo busc\u00f3 a un colaborador que pudiera tener estas fotograf\u00edas satelitales. La Naci\u00f3n consigui\u00f3 el financiamiento para comprar una \u00fanica imagen en alta definici\u00f3n de 0.3 metros por pixel. Declinaron la oferta, porque no era suficiente para usar el algoritmo.\u00a0 El proyecto de Kalaitzis cort\u00f3 las im\u00e1genes en recuadros de 100 por 100 para tomar notas. Les llev\u00f3 algunas horas y requiri\u00f3 m\u00e1s consistencia anotar de manera colectiva. Nosotros seguimos su ejemplo y anotamos de manera grupal. As\u00ed encontramos que result\u00f3 muy \u00fatil para mantener velocidad y coherencia.\u00a0 En algunos casos, como el nuestro, almacenar las im\u00e1genes no es un gran problema. Cuando est\u00e1s enfoc\u00e1ndote en \u00e1reas espec\u00edficas, puedes ejecutar el proceso que creamos utilizando una PC normal y corriente \u2014con al menos 16\u00a0GB de RAM, mientras m\u00e1s RAM mejor\u2014 y un disco duro est\u00e1ndar de 1 TB, conforme entrenas y aplicas tus algoritmos a un recuadro (de docenas de kil\u00f3metros de extensi\u00f3n) a la vez. Sin embargo, si quisieras almacenar y procesar muchos de estos recuadros satelitales de forma simult\u00e1nea, o aumentar la escala del proceso de alguna otra manera \u2014por ejemplo, para analizar pa\u00edses enteros\u2014, puede ser necesario utilizar servicios de computaci\u00f3n en la nube.<\/p>\n

Un inter\u00e9s que ten\u00edamos en com\u00fan era la investigaci\u00f3n de la crisis clim\u00e1tica desde esta perspectiva, as\u00ed que comenzamos con el primer, y vital, paso en cualquier historia: las ideas. Reunimos nuestras investigaciones y propusimos diferentes opciones dentro del grupo que podr\u00edan extrapolarse utilizando im\u00e1genes de bosques, litorales y otros elementos geogr\u00e1ficos; delimitamos el objetivo a identificar ganader\u00eda ilegal en la frontera de bosques protegidos.<\/p>\n

\u201cCreemos que el mayor factor limitante para estas aplicaciones es el acceso a im\u00e1genes en alta resoluci\u00f3n y no as\u00ed el desarrollo de los algoritmos de conteo. Adem\u00e1s, la identificaci\u00f3n de un individuo espec\u00edfico requiere resoluciones que a\u00fan no est\u00e1n disponibles en los sat\u00e9lites comerciales\u201d \u2014Alfredo Kalaitzis del proyecto Counting Cows.<\/p><\/blockquote>\n

<\/a>\u00c1rea de inter\u00e9s en el bosque h\u00famedo tropical mexicano. Imagen: cortes\u00eda del equipo de From Above<\/p>\n

Enfocando nuestros esfuerzos<\/h4>\n

A pesar de haber intentado ponernos en contacto con los mayores proveedores de im\u00e1genes satelitales, encontramos dif\u00edcil que respondieran a consultas para colaboraciones o proyectos peque\u00f1os. Pero pronto descubrimos que hay un creciente n\u00famero de programas que ofrecen acceso gratuito y\/o descargas de im\u00e1genes satelitales para organizaciones y periodistas con algunas metas espec\u00edficas y redirigimos nuestros esfuerzos hacia esas fuentes.<\/p>\n

El tema es que si no pod\u00edamos acceder a im\u00e1genes HD de hasta 0.4 metros por p\u00edxel, nos ser\u00eda imposible detectar a las vacas.<\/p>\n

\u201cEsperemos que al menos podamos obtener [im\u00e1genes] de alguno de los pa\u00edses y ver c\u00f3mo se ejecuta el proceso entero. Si eso no es posible, podemos cambiar nuestra investigaci\u00f3n y enfocarla en la detecci\u00f3n de objetos m\u00e1s grandes, para poder utilizar las im\u00e1genes gratuitas disponibles\u201d. \u2014Flor Coelho, integrante del equipo From Above.<\/p><\/blockquote>\n

Decidimos desarrollar el planteamiento enfocado en el uso de la tierra que hab\u00edamos discutido en las etapas iniciales de la colaboraci\u00f3n. Identificar\u00edamos la ganader\u00eda utilizando im\u00e1genes de menor resoluci\u00f3n que las necesarias para detectar al ganado. Investigamos c\u00f3mo los lentes RGB \u2014rojo, verde y azul\u2014 y lentes infrarrojos nos permitir\u00edan analizar la detecci\u00f3n de objetos. Los sat\u00e9lites pueden utilizar lentes RGB o infrarrojos para identificar mejor diferentes cosas.<\/p>\n

Con esta informaci\u00f3n, nos concentramos en desarrollar una herramienta que nos permitiera detectar ganado (bovino) en \u00e1reas que estuvieran protegidas o que anteriormente estuviesen cubiertas por bosques en Argentina, Brasil, Colombia y M\u00e9xico.<\/p>\n

Tambi\u00e9n decidimos utilizar el programa NICFI de Planet<\/a>.<\/p>\n

Una vez que tienes una cuenta de NICFI en Planet observas la diferencia entre Planet\u2019s Basemaps Viewer y Planet\u2019s Explorer. El primero te permite descargar im\u00e1genes \u201canal\u00edticas\u201d, con las muchas capas mencionadas anteriormente. Ya en Basemap (o cualquier otra fuente de im\u00e1genes satelitales) deber\u00edas poder distinguir con claridad entre los compuestos \u201cvisuales\u201d descargables y los \u201canal\u00edticos\u201d. El segundo grupo est\u00e1 codificado con las diferentes bandas a las que nos hemos referido antes. Visualmente, Explorer y Basemaps lucen casi id\u00e9nticos, pero solo el segundo te permite descargar las im\u00e1genes para su procesamiento y extracci\u00f3n\/modelado de datos.<\/i><\/p><\/blockquote>\n

Criterios de anotaci\u00f3n y gu\u00edas<\/b><\/h4>\n

Decidimos recolectar etiquetas para la funci\u00f3n de segmentaci\u00f3n de im\u00e1genes y elegimos una herramienta (GroundWork), que se adaptaba a las preferencias de trabajo de nuestro equipo, al balancear el reto que supon\u00edan las restricciones de datos y tiempo. Tambi\u00e9n fue importante para nosotros establecer y acordar las gu\u00edas seg\u00fan las cuales anotar\u00edamos las im\u00e1genes para nuestra \u00c1rea de Inter\u00e9s (AOI, por sus siglas en ingl\u00e9s).<\/p>\n

<\/a>Im\u00e1genes: cortes\u00eda del equipo de From Above<\/p>\n

<\/a><\/p>\n

Puedes utilizar la composici\u00f3n visual (la que tiene menos capas) para hacer tus anotaciones. Lo que obtienes despu\u00e9s del proceso son pol\u00edgonos o puntos que dibujas para cada elemento que intentas identificar en el terreno (y sus referencias de latitud y longitud). M\u00e1s adelante, relacionar\u00e1s esa informaci\u00f3n con la reflejada en las im\u00e1genes satelitales codificadas.<\/p>\n

Deber\u00edas elegir una herramienta de anotaci\u00f3n, con base en las ventajas y desventajas que presenten para tu misi\u00f3n espec\u00edfica. Existen muy buenas opciones en l\u00ednea, como OpenCV<\/a> o Cvat, aunque no pudimos probarlas a profundidad.<\/p>\n

Por ejemplo, algunas herramientas permiten una colaboraci\u00f3n digital fluida, pero puede que te impidan subir im\u00e1genes en una resoluci\u00f3n mayor a las fotos de Planet (4.7 metros por pixel). En ese caso, puedes utilizar un proceso sin conexi\u00f3n, con programas como QGIS o R en tu propio sistema computacional.<\/p>\n

Sin embargo, nosotros quer\u00edamos realizar las anotaciones de manera colectiva para asegurar consistencia y velocidad, y trabajar sin conexi\u00f3n habr\u00eda complicado la colaboraci\u00f3n.<\/p>\n

Decidimos utilizar GroundWork, con el cual es f\u00e1cil realizar anotaciones colectivas.<\/p>\n

Los expertos en periodismo de fuente abierta, Bellingcat<\/a>, colaboraron con nosotros y no solo nos ofrecieron capacitaci\u00f3n para utilizar las herramientas de Planet, sino que nos dieron algunas im\u00e1genes en muy alta resoluci\u00f3n de un \u00e1rea de los parques donde est\u00e1bamos identificando vacas en Colombia. Estas im\u00e1genes proven\u00edan de trabajos anteriores de Planet, a los que Bellingcat ten\u00eda acceso gracias a su cuenta de paga.<\/p>\n

El equipo de From Above eligi\u00f3 identificar siete diferentes clasificaciones de terreno, mientras estudiaban sus \u00e1reas de inter\u00e9s. Imagen: cortes\u00eda del equipo de From Above<\/p>\n

Elegimos siete etiquetas (agua, bosque, terreno agr\u00edcola, terreno agr\u00edcola con pozo de agua, infraestructura, camino y no identificado) para usar en nuestro algoritmo supervisado.<\/p>\n

El equipo de From Above eligi\u00f3 identificar siete diferentes clasificaciones de terreno, mientras estudiaban sus \u00e1reas de inter\u00e9s. Imagen: cortes\u00eda del equipo de From Above<\/p>\n

 <\/p>\n

Esta imagen se dividi\u00f3 en cuadrantes m\u00e1s peque\u00f1os que se anotaron cuadr\u00edcula por cuadr\u00edcula. Las coloreadas ya est\u00e1n anotadas, pero el resto segu\u00edan sin etiquetarse cuando se realiz\u00f3 esta captura de pantalla.<\/p>\n

Por ejemplo, Bellingcat<\/a> nos dio algunas im\u00e1genes en muy alta resoluci\u00f3n que nosotros no pod\u00edamos subir a GroundWork, debido a una falla t\u00e9cnica de la aplicaci\u00f3n. Esto nos forz\u00f3 a verificar con frecuencia cada anotaci\u00f3n usando un mapa de alta resoluci\u00f3n disponible en l\u00ednea, como Google Earth.<\/p>\n

Pasamos alrededor de tres horas anotando juntos y otras 15 de manera individual, luego que acordamos cu\u00e1les ser\u00edan las etiquetas \u00fatiles y establecimos algo de consistencia en aquello que calificaba como bosque, agua, terreno agr\u00edcola, entre otros. Realizamos anotaciones en cada cuadr\u00edcula de cuatro im\u00e1genes: dos de parques colombianos y dos de la reserva mexicana.<\/p>\n

Paso a paso: proceso de segmentaci\u00f3n<\/b><\/h4>\n

Ten\u00edamos dos tipos esenciales de datos con los cuales trabajar:<\/p>\n

Imagen satelital original \u2014 informaci\u00f3n de las capas de la imagen rasterizada (en formato TIFF). Imagen anotada \u2014 datos etiquetados con el proceso de anotaci\u00f3n (en formato de archivo GeoJSON<\/a>). En este arreglo, puedes ver la imagen anal\u00edtica descargada en cinco capas: roja, verde, azul, infrarroja y una capa \u201calfa\u201d adicional. Algunos programas, como este, generan estos distintos colores en una escala de grises. Imagen: cortes\u00eda del equipo de From Above<\/p>\n

 <\/p>\n

Los siguientes pasos nos ayudaron a extraer la informaci\u00f3n visible al ojo humano, aprender las asociaciones entre capas y crear etiquetas para construir nuestro prototipo inicial:<\/p>\n

Extrae informaci\u00f3n incrustada en las capas (bandas) de las im\u00e1genes satelitales. Diferentes arreglos de capas representan la informaci\u00f3n de manera distinta. La primera imagen es una composici\u00f3n con los \u201ccolores reales\u201d que puede percibir el ojo; a la derecha, una combinaci\u00f3n de rojos y casi infrarrojos que resalta la vegetaci\u00f3n (en rojo).\u00a0 Imagen: cortes\u00eda del equipo de From Above<\/p>\n

 <\/p>\n

Extrae la informaci\u00f3n de la imagen etiquetada:\u00a0 Crea un conjunto de datos basado en una inspecci\u00f3n visual y de conocimiento contextual del \u00e1rea (es decir, haz anotaciones en la imagen). Aseg\u00farate de que el conjunto de datos anotados y la imagen satelital son compatibles en t\u00e9rminos de extensi\u00f3n, proyecci\u00f3n de sistemas de referencia y resoluci\u00f3n. En este caso, hab\u00edamos tomado notas sobre la misma imagen as\u00ed que ten\u00edamos archivos compatibles, pero es posible que, por ejemplo, la herramienta de anotaci\u00f3n a\u00f1ada o elimine informaci\u00f3n de la imagen original, as\u00ed que esto sirve para asegurarte de tener todos los elementos necesarios.\u00a0 Extensi\u00f3n<\/i>: la latitud y longitud tienen que ser iguales a la forma de ambos archivos.\u00a0 Proyecci\u00f3n de sistema<\/i>: deber\u00edan tener el mismo sistema de coordenadas de referencia.\u00a0 Resoluci\u00f3n: <\/i>deber\u00edan tener la misma resoluci\u00f3n de metros por p\u00edxel. Fusiona la informaci\u00f3n satelital y las anotaciones juntas. En lo que se conoce como un modelo \u201csupervisado\u201d de entrenamiento, t\u00fa provees las clasificaciones que est\u00e1s haciendo que el aprenda sistema de manera deliberada. En un m\u00e9todo \u201cno supervisado\u201d, dejas que la computadora detecte de forma autom\u00e1tica el n\u00famero de clasificaciones que t\u00fa decidas. Esto puede ser m\u00e1s r\u00e1pido que anotar la imagen, pero podr\u00edas perder informaci\u00f3n contextual crucial que solo es capaz de percibir el ojo humano. Imagen: cortes\u00eda del equipo de From Above<\/p>\n

 <\/p>\n

P\u00eddele al programa que aprenda las asociaciones inherentes entre las capas de informaci\u00f3n (entrena al algoritmo). Puedes elegir de entre diferentes m\u00e9todos de aprendizaje asociativo. Por ejemplo, nosotros nos inclinamos por el algoritmo Random Forest, pero tambi\u00e9n podr\u00edamos haber utilizado Supervised Vector Machines o cualquier otro.\u00a0 Las asociaciones entre categor\u00edas e informaci\u00f3n inherente est\u00e1n codificadas en los p\u00edxeles de cada capa de la imagen satelital. Por ejemplo, la fuerza de las asociaciones entre nuestro trabajo de clasificaci\u00f3n y cada capa est\u00e1 desarrollado a continuaci\u00f3n. Hay algunas capas de informaci\u00f3n que van a funcionar mejor que otras para predecir categor\u00edas espec\u00edficas de tu clasificaci\u00f3n. El resultado final del algoritmo de segmentaci\u00f3n de im\u00e1genes. Imagen: cortes\u00eda del equipo de From Above<\/p>\n

 <\/p>\n

Pru\u00e9balo con nuevos datos satelitales. Idealmente, ahora habr\u00e1s identificado alguna informaci\u00f3n visual interesante con las im\u00e1genes y las t\u00e9cnicas computacionales para respaldar tu historia o generar un periodismo de mayor profundidad.<\/p>\n

Existe una versi\u00f3n detallada del desarrollo de estos pasos en el archivo de From Above para permitir que se reproduzca en su totalidad en GitHub, aqu\u00ed<\/a> o aqu\u00ed<\/a>.<\/p>\n

Recursos:<\/b><\/p>\n

Esta es una compilaci\u00f3n de los recursos que nos beneficiaron y que recomendamos a otros:<\/p>\n

Fuentes de datos<\/b> Planet API<\/a> Planet NICFI<\/a> Puedes encontrar informaci\u00f3n digital en la nueva agencia de noticias<\/a> de Maxar, la nueva secci\u00f3n<\/a> de Planet y en Skytruth, que tambi\u00e9n realiza cr\u00f3nicas de sus proyectos<\/a>. Est\u00e1 tambi\u00e9n Descartes Lab<\/a>. Adem\u00e1s, intentamos contactar al proyecto MAAP<\/a> para conseguir im\u00e1genes de la selva tropical del Amazonas, basadas en fotos de Sentinel<\/a>, financiado por el gobierno de Noruega.\u00a0 Historias y publicaciones que nos inspiraron:\u00a0<\/b> Contando elefantes con Worldview 3 de Maxar <\/a>(Oxford). Le\u00edmos su ensayo<\/a> de investigaci\u00f3n sobre el conteo de elefantes para buscar posibles sinerg\u00edas.\u00a0 Datat\u00f3n de WiDS para detectar plantaciones de aceite de palma.<\/a> (Stanford). Detecci\u00f3n de basura de fuente abierta<\/a>. Enlace<\/a> al ensayo de investigaci\u00f3n acad\u00e9mica sobre la calidad de imagen necesaria para contar vacas.<\/p>\n

Recursos adicionales:<\/b><\/h4>\n

Interpretar datos: consejos para evitar errores y entender los n\u00fameros<\/i><\/a><\/p>\n

C\u00f3mo un equipo de datos mexicano descubri\u00f3 la historia de 4,000 mujeres desaparecidas<\/i><\/a><\/p>\n

Bellingcat y Forensic Architecture se aliaron con Cerosetenta de Colombia para mapear la violencia policial<\/i><\/a><\/p>\n

El equipo de From Above est\u00e1 conformado por cinco periodistas de datos (provenientes de Am\u00e9rica del norte y del sur). Ellos se unieron en una <\/i>colaboraci\u00f3n de Periodismo con IA<\/i><\/a> organizada por <\/i>POLIS<\/i><\/a>, un centro de investigaci\u00f3n del London School of Economics. Se enfocaron en investigar la crisis clim\u00e1tica por medio de la observaci\u00f3n, utilizando im\u00e1genes satelitales y experimentaron con t\u00e9cnicas de visi\u00f3n computacional. Publicaron una gu\u00eda y el prototipo de fuente abierta correspondiente (en Github) con la esperanza de que sirva como base para hacer periodismo de mayor profundidad. Los integrantes del equipo y los enlaces a sus biograf\u00edas son los siguientes:\u00a0<\/i><\/p>\n

Mar\u00eda Teresa Ronderos<\/i><\/a> de CLIP (en Colombia)<\/i> Flor Coelho<\/i><\/a> de LaNacion (en Argentina)<\/i> Gibran Mena <\/i><\/a>de Data Cr\u00edtica (en M\u00e9xico) <\/i> David Ingold<\/i><\/a> y <\/i>Shreya Vaidyanathan<\/i><\/a> de Bloomberg News (en Estados Unidos)<\/i><\/p>\n","protected":false},"excerpt":{"rendered":"

Las im\u00e1genes satelitales brindan informaci\u00f3n que puede mejorar nuestras investigaciones ambientales. Pero dicha herramienta tiende a ser compleja y est\u00e1 fuera del alcance de muchos periodistas. Esta gu\u00eda ofrece un proceso que los reporteros interesados \u200b\u200ben cubrir la crisis clim\u00e1tica pueden utilizar para proyectos de historias.<\/p>\n","protected":false},"author":3031154,"featured_media":473201,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_price":"","_stock":"","_tribe_ticket_header":"","_tribe_default_ticket_provider":"","_tribe_ticket_capacity":"0","_ticket_start_date":"","_ticket_end_date":"","_tribe_ticket_show_description":"","_tribe_ticket_show_not_going":false,"_tribe_ticket_use_global_stock":"","_tribe_ticket_global_stock_level":"","_global_stock_mode":"","_global_stock_cap":"","_tribe_rsvp_for_event":"","_tribe_ticket_going_count":"","_tribe_ticket_not_going_count":"","_tribe_tickets_list":"[]","_tribe_ticket_has_attendee_info_fields":false,"republication-tracker-tool-hide-widget":false,"footnotes":"","_tec_slr_enabled":"","_tec_slr_layout":""},"categories":[23188],"tags":[23703,23524,23766,23522,23767,23768,23769,23770],"gijn_topic":[],"series":[],"gijn_language":[17790],"gijn_region":[],"class_list":["post-529381","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articulos","tag-cambio-climatico-es","tag-colombia","tag-imagenes-satelitales-es","tag-mexico-es","tag-periodismo-de-datos-es","tag-periodismo-de-investigaicon-es","tag-satelites-es","tag-visualizaciones-es","gijn_language-es-es"],"acf":[],"ticketed":false,"_links":{"self":[{"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/posts\/529381","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/users\/3031154"}],"replies":[{"embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/comments?post=529381"}],"version-history":[{"count":2,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/posts\/529381\/revisions"}],"predecessor-version":[{"id":1301255,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/posts\/529381\/revisions\/1301255"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/media\/473201"}],"wp:attachment":[{"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/media?parent=529381"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/categories?post=529381"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/tags?post=529381"},{"taxonomy":"gijn_topic","embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/gijn_topic?post=529381"},{"taxonomy":"series","embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/series?post=529381"},{"taxonomy":"gijn_language","embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/gijn_language?post=529381"},{"taxonomy":"gijn_region","embeddable":true,"href":"https:\/\/gijn.org\/es\/wp-json\/wp\/v2\/gijn_region?post=529381"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}