Vuelta al Cole con Planet, Semana 6 | Ver el Cambio

7 min readNov 3, 2020

Esta es la sexta entrega de nuestra serie Vuelta al cole con Planet, una actividad semanal para estudiantes de entre 8 y 13 años con ganas de seguir aprendiendo sobre la ciencia de la Tierra y del Espacio. Puedes leer más sobre esta iniciativa aquí.

Nuestro planeta cambia continuamente. La Tierra presenta ciclos diarios, estacionales, anuales e incluso algunos ciclos pueden cambiarla para siempre. Las cámaras que orbitan la Tierra nos permiten ver este cambio en acción, y como consecuencia, tomar decisiones a la hora de aplicar nosotros mismos estos cambios y así proteger el planeta.

Mareas Diarias

Si has estado en la playa, en ocasiones la línea del mar está más cerca y otras veces más alejada. Cuando haces un castillo por la mañana en la arena, lo haces donde las olas no lo alcancen. Pero si esperas a la tarde, las olas llegarán hasta sus puertas y el castillo acabará desmoronándose. Este es el baile diario provocado por la luna, al generar diferentes niveles de marea durante el día.

Estas dos imágenes fueron tomadas en el mismo sitio en diferentes momentos del mismo día. Podemos ver perfectamente los cambios en los niveles de la altura del mar cerca de la Gran Barrera de Coral.

**© 2020, Planet Labs Inc. All Rights Reserved.**

Capturar un paisaje en continuo cambio

Poder ver en persona una plataforma de hielo en el Ártico es muy difícil. Sitios como el Milne Ice Sheet se encuentran en un mar helado, muy lejos de la costa y demasiado al Norte para poder llegar por tierra.

Entender como el hielo evoluciona es muy importante para las personas que se dedican a estudiar las relaciones entre el clima, los niveles de los océanos y las criaturas que habitan estos lugares tan extremos. Un satélite Dove captó esta imagen espectacular de una placa de hielo partiéndose. Comparándola con fotos pasadas podemos medir como el hielo está cambiando.

Encontrar cuando las infraestructuras cambian

Tener imágenes de satélite diarias hace posible poder ver el antes y el después de cualquier lugar de la Tierra. ¡Pero es imposible comparar tanta cantidad de imágenes todos los días! Gracias a nuevas técnicas de programación, los ordenadores son capaces de decirnos cuándo y dónde exactamente se ha producido un cambio.

Carrera en el Punto de Mira: Machine Learning (ML)

Los especialistas en Machine Learning (o Aprendizaje Automático) como el ingeniero de Planet Brad Neuber desarrollan software dedicado a buscar cambios. Las aplicaciones de ML aprenden patrones y tendencias sobre cómo clasificar las imágenes basándose en “datos de entrenamiento” que utiliza como referencia para identificar los nuevos elementos que aparecen en la imagen.

¿Qué tipo de cambios puede detectar aplicaciones ML?

¡Potencialmente cualquier cosa! Esto puede incluir ver cambios en el ambiente natural o urbano como carreteras y edificios.

**Brad Neuberg**
Staff Engineer, Machine Learning

¿Cómo diseñarías un buen detector de cambio?

Mucho del trabajo que se realiza en ML involucra conseguir los datos. Se parece mucho a cocinar una receta: tienes que asegurarte de que tienes el correcto número y diversidad de ingredientes y especias. En el caso concreto de ML,tienes que conseguir que tus datos de entrenamiento representen el cambio que deseas detectar (la “señal”) y que a su vez capture las distintas fuentes de ruido que podemos encontrar (cambios estacionales, distintos ángulos del satélite al tomar la imagen, etc. El proceso es iterativo, a la vez que el modelo se va entrenando, los datos de entrenamiento deben actualizarse basándonos en lo que hace bien y en dónde falla, añadiendo “especias” a los diferentes ejemplos de entrenamiento para que aprenda mejor.

¿Cuáles son las limitaciones actuales del ML?

Muchos de los sistemas de ML necesitan una gran cantidad de datos de entrenamiento, quizás miles o decenas de miles de ejemplos etiquetados. Así que la limitación a la hora de detectar cambios se encuentra en la recogida y etiquetado de una suficiente cantidad de datos.

Los modelos de ML utilizan estos datos de entrenamiento para entender dónde poner su atención y qué ignorar. Generalmente los campos de entrenamiento están etiquetados, lo que significa que una o varias personas han marcado donde algo ha cambiado o donde no ha cambiado. Este es un proceso muy arduo. Usar datos etiquetados para el dataset de entrenamiento en sistemas de ML se denomina Aprendizaje Supervisado.

En ocasiones es posible saltarse el etiquetado y entrenar el modelo de ML sin este tipo de datos. Esto es lo que se denomina Aprendizaje Semisupervisado. Sin embargo, este tipo de aprendizaje se encuentra aún en sus primeras etapas de investigación y no se comporta tan bien como el supervisado.

También nos encontramos limitados por lo que los satélites pueden ver en términos de resolución, calidad y ratios de revisita. Por ejemplo, si queremos detectar la evolución de la población de ballenas en el tiempo en función de sus apariciones en la superficie para respirar estaremos muy limitados por la capacidad de los satélites para observar este “pequeño” cambio. También habrá restricciones por el tiempo (las nubes pueden bloquear la vista) y por el número de imágenes que tomamos del océano para detectar con confianza el cambio en la población de ballenas, si son pocas, no seremos capaces de ver el cambio.

¿Qué tipo de cambios debería ignorar el programa?

Un modelo de ML produce resultados relevantes denominados “la señal” y observaciones irrelevantes denominadas “ruido”. El software debe aprender a separar la señal del ruido. En nuestro caso, este ruido puede proceder de la atmósfera o del propio sensor. Pero también puede ser ruido producido por cambios que no nos interesen como aquellos producidos por las estaciones o si un objeto se desplaza debido a las peculiaridades y diferencias entre satélites.

¿Qué tipo de habilidades y conocimientos se requieren para construir modelos de ML?

ML se encuentra en la encrucijada entre ingeniería de software, matemáticas aplicadas y una mentalidad experimental, científica. Python es el lenguaje de programación que más se utiliza en ML, y además es un lenguaje bastante generalista que puede ser muy útil aprender. Cálculo, álgebra linear o estadística pueden ser de gran ayuda también.

¿Qué es lo que más te entusiasma de las capacidades para detectar cambios?

Planet ha creado una increíble flota de satélites capaces de fotografiar toda la superficie terrestre de manera diaria. Desafortunadamente, el ser humano es incapaz de analizar esta ingente entrada de datos. ¿Cómo los modelos de ML pueden procesar toda esta información y ayudarnos a seguir la evolución de nuestro planeta? Por poner un ejemplo, ¿podemos automatizar la detección de las carreteras que llegan a las zonas donde se hacen talas ilegales en el Amazonas? Responder a esta pregunta es lo que la detección de cambios intenta conseguir.

¿Cuales son las limitaciones de la detección de cambios?

Siempre habrá una limitación por la calidad y resolución de las imágenes de los satélites, esto también incluye la frecuencia con la que se capturan las imagenes. En ocasiones, los modelos de ML también pueden producir señales falsas (falsos positivos). Lo que tienes que intentar es que esto no se produzca muy a menudo.

Actividad: Ve el Cambio a tu alrededor

Esta semana, echa un vistazo al mundo que te rodea, pon especial atención a los cambios que se producen. Comparte estas observaciones con otros y otras, y piensa en cómo se pueden ver esos cambios. La actividad por tanto trata de elegir una cosa de tu mundo cercano y documentar cómo cambia a lo largo de los días. Puedes fotografiar, anotar, grabar vídeos… Por ejemplo, puedes fotografiar una flor cada día y añadir una pequeña descripción.

Mándanos fotos de tus creaciones y tus observaciones sobre lo aprendido y aparecerá en las siguientes entregas a backtoschool@planet.com. Comparte tus averiguaciones e imágenes en los medios sociales (#backtoschoolwithplanet) para inspirar a otros a ver el cambio!.