Gracias a la plataforma Data Cube Chile, que recoge y procesa imágenes satelitales y datos abiertos, investigadores evidencian los cambios en el territorio tras reciente temporal e inundaciones que afectaron a la zona centro y sur del país.
Recientemente, Data Cube Chile, plataforma de imágenes satelitales abiertas a investigadores y a la sociedad civil, demuestró sus potencialidades tras el reciente frente de lluvias que afectó a la zona centro y sur de Chile, entregando imágenes inéditas que evidencian los cambios vegetacionales y en caudales de afluentes en la Región del Maule.
Data Cube Chile constituye el primer proyecto chileno que combina los datos satelitales abiertos más relevantes del mundo, entre ellos Landsat (5-7-8-9) de Estados Unidos y Sentinel (1, 2 y 3) de la Agencia Espacial Europea, entre otros; con un alto volumen de imágenes históricas del país.
Desarrollado desde 2020 mediante una alianza entre Fundación Data Observatory, Universidad Adolfo Ibáñez y CSIRO Chile, la oficina local de la agencia australiana de ciencia aplicada; ya dispone de 38 años de datos satelitales de Chile, orientados a la investigación global sobre cambio climático y comprensión territorial.
Álvaro Paredes, ingeniero data scientist de Data Observatory, curador de la plataforma Data Cube, el último temporal ha registrado con éxito el efecto de las inundaciones en el territorio.
«Data Cube disponibilizó imágenes de radar de Colbún, Linares y Licantén correspondientes al 19 de junio y al 26 de junio de este año, captadas por Sentinel-1 (SAR), un sensor activo de radar que no se ve afectado por condiciones atmosféricas o de luminosidad, las cuales fueron descargadas y procesadas/corregidas por Data Cube Chile. Asimismo, sorprenden las imágenes ópticas comparativas de Talca correspondiente al 8 de abril y al 27 de junio, captadas por Sentinel-2», explicó Paredes.
En la imagen se observan resaltados en color la vegetación y principalmente los cuerpos de agua. «El radar cubre una zona del espectro electromagnético que no vemos, por lo tanto para poder visualizarlo es necesario usar un falso color. Una imagen en color verdadero es lo que ven nuestros ojos, la región ‘visible’ del espectro electromagnético (que va desde las ondas de rayos X, Gamma, hasta microondas y radio/tv). Una imagen en falso color, es una técnica que permite asignar colores artificiales a estas otras regiones del espectro que no vemos, para así poder acceder a información que no podríamos visualizar de otra forma», añadió.
El especialista comenta que si bien no se han utilizado aún herramientas de machine learning, a futuro sería posible aplicarlas para detectar o cuantificar el aumento de los caudales de agua.
No obstante, la línea de procesamiento de Sentinel-1 (es decir, desde que se descarga hasta que está disponible en el cubo), implica una serie de pasos que incluyen una serie de correcciones, filtros y rectificaciones a cada escena capturada.
Las imágenes comparativas que ofrece Data Cube permiten apreciar claramente la crecida y desborde de algunos ríos y embalses. En segunda instancia, se pueden hacer todo tipo de mediciones en las imágenes, comparando antes y después, para estimar el área de las zonas afectadas. Finalmente, gracias a la alta compatibilidad que tiene Data Cube Chile con varias librerías de análisis, se podría implementar prácticamente cualquier análisis que un investigador quisiera realizar.
Rodrigo Roa, director ejecutivo (I) de Data Observatory, destaca la relevancia de tener una plataforma de estas capacidades y características al servicio de investigadores y tomadores de decisión.
«Estamos dispuestos para implementar/desarrollar análisis de desastres u otros episodios naturales en Data Cube Chile. Es una plataforma muy flexible que permite utilizar las principales librerías de machine learning en Python y R (en menor medida) y que además es altamente escalable».
Data Cube entrega un rápido acceso a imágenes listas para ser analizadas, principalmente sensores pasivos que no requieren tantas correcciones o tratamiento como sensores activos (radar).
Esto facilita enormemente el trabajo, ya que no es necesario hacer una búsqueda exhaustiva, descarga y pre-procesamiento de imágenes, que a veces puede tardar semanas (o inclusive meses).
Posteriormente, plataformas de este tipo tienen una alta flexibilidad en cuanto a análisis que se pueden implementar, utilizando librerías de renombre como PyTorch, Keras, TensorFlow, entre otras.
La plataforma continúa robusteciendo sus características para entregar aplicaciones científicas para la industria, tomadores de decisiones en los gobiernos, la academia y otros; en áreas como la gestión de agua, sequía, agricultura, marea roja o desarrollo urbano en los distintos territorios.
Para ello disponibiliza datos satelitales correspondientes a todo el territorio nacional: continental, insular y costero.
Data Observatory es una organización pública, privada, académica que tiene como objetivos la adquisición, el análisis, el procesamiento y la disponibilidad de grandes bases de datos complejas para promover el desarrollo de un país sostenible basado en la ciencia de datos. Actualmente es financiado por la Agencia Nacional de Investigación y Desarrollo (ANID).
