El documento describe cómo la abundancia de datos de satélite, hardware más poderoso y barato, y mejores algoritmos están permitiendo el desarrollo de aplicaciones de inteligencia artificial para el análisis de imágenes de satélite. Estas aplicaciones pueden mapear los recursos de la Tierra, detectar objetos, y clasificar áreas en clases como cuerpos de agua, campos agrícolas y bosques, lo que tiene aplicaciones en agricultura de precisión, monitoreo ambiental y más. Explica los conceptos básicos de cómo funcionan las redes

2. 2

3. •
•
•

4. •
•
•
•
•
•
4

5. 5

6. Desde que inició,
el 4 de octubre
de 1957, la
tecnología
espacial ha
cambiado
nuestras vidas

8. •
•
•
•
•

9. 9

14. 14

15. •
15

16. 16

17. 17
Abundancia de
datos
Hardware más
poderoso y
barato
Mejores
algoritmos
Mejores
herramientas
de desarrollo
Una imagen completa de
la Tierra al día
Redes neuronales
convolucionales

18. 18

19. 19
https://www.geospatialworld.net/blogs/data-agnostic-world-eo-industry-moves-
towards-analytics-service/

20. 20

21. 21
https://projectgaia.ai

22. 22
https://news.developer.nvidia.com/detecting-objects-from-space-with-
artificial-intelligence/

24. 24
RoadTtracer
MIT CS and AI Lab
https://roadmaps.csail.mit.edu/roadtracer.pdf

25. 25
https://medium.com/@tim.wallace_98924/descartes-labs-urban-trees-tree-
canopy-mapping-3b6c85c5c9cc

26. 26
A. García-Pedrero, C. Gonzalo-Martín & M. Lillo-Saavedra A machine learning approach for
agricultural parcel delineation through agglomerative segmentation
https://doi.org/10.1080/01431161.2016.1278312

27. planet.com

28. 28
Babenko, Boris, et al, 2017, Poverty Mapping Using Convolutional Neural Networks Trained on High and Medium Resolution Satellite
Images, With an Application in Mexico https://arxiv.org/abs/1711.06323

29. 29

30. 30

31. 31

32. 32

33. 33

34. 34

35. 35

36. 36

37. Cuerpo de agua
Campo agrícola
Área urbana
Bosque

38. 38

39. Computadora
Datos
Programa
Resultados
Computadora
Datos
Resultados
Programa

41. 41

42. 42
Parámetros Ws, bs

43. 43
0.10
0.30
0.05
0.55
Probabilidad de
pertenecer a la clase

44. 44
0.00 0.10
1.0 0.30
0.00 0.05
0.00 0.15
Error en la
estimación
Suma de los errores 0.60
Minimizando la función “error” o “costo” que se produce al presentar todas las
instancias de datos durante el entrenamiento
Valor
esperado

45. 45
Alimentar con
datos de
entrenamiento al
modelo
Evaluar error
¿Error
aceptable
?
Cambiar
parámetros del
modelo
Probar el modelo
Sí
No

46. 46
Define qué
quieres
Prepara
los datos
Selecciona
el tipo de
modelo
Entrena
el
modelo
Prueba
el
modelo

47. 47
Verificando que el error en la estimación esté dentro de límites aceptables al utilizar
datos de prueba distintos a los de entrenamiento
Parámetros Ws, bs
Probabilidad de
pertenecer a la clase
Valor
esperado
Error en la
estimación
0.95
0.02
0.01
0.03
1.0 0.05
0.0 0.02
0.0 0.02
0.0 0.03
Suma de los errores 0.12

48. 48
Lo que vemos nosotros Lo que ve la computadora

49. 49

53. 53

54. 54

55. 55

56. 56

57. •
•
57
https://keras.io/

58. 58
https://www.tensorflow.org/?hl=es

59. 59

60. 60

61. 61
http://labelme.csail.mit.edu/Release3.0/

62. 62
https://www.eea.europa.eu/data-and-
maps/data/copernicus-land-monitoring-
service-urban-atlas
http://www.image-net.org/

63. 63
https://landsat.usgs.gov/landsat-data-access
https://scihub.copernicus.eu/dhus/#/home

64. 64

65. 65

66. 66

67. 67

68. 68

69. 69

70. •
•
•
70

71. 71

72. 72

73. 73
•
•