Misión:

• Fomentar el uso y desarrollo de técnicas avanzadas de ciencia de datos y GeoAI para mejorar la gestión, análisis y visualización de la información geoespacial en el marco de la Infraestructura de Datos Espaciales de la República Argentina (IDERA), promoviendo la innovación y la toma de decisiones basada en evidencia

​

Asistentes

20

Felipe Sodre de la Universidad Nacional de Misiones nos presento un paquete de Python, denominado AQUAMATCH, para integrar datos in situ y teledetección en flujos

reproducibles para el monitoreo ambiental.

​

La herramienta busca hacer reproducibles los proyectos de teledetección, facilitar el proceso de matchup (hacer corresponder datos) entre campañas de campo e imágenes satelitales, apoyar la toma de decisiones mediante criterios como la diferencia temporal respecto al muestreo y la cobertura de nubes, y automatizar la descarga de imágenes según diferentes estrategias.

Además, permite realizar la corrección atmosférica mediante Acolite (DSF), extraer parámetros de calidad del agua como turbidez y clorofila a, y organizar los resultados en formatos de cubo de datos (COG/Zarr), facilitando su análisis y procesamiento posterior.

​

Enlace al paquete: https://pypi.org/project/aquamatch/

​

​

Aquamatch

Mario Girona de la empresa SYSO consultores, presentó FIREBENCH: Ai y datos geoespaciales contra incendios forestales. un modelo físico de alta fidelidad que permite simular variable volumétricas sobre modelos de propagación de incendios

FireBench tiene tres componentes principales:

1. un simulador físico de incendios (Swirl-Fire);
2. un sistema que ejecuta miles de simulaciones variando parámetros (Vizier);
3. un enorme dataset generado a partir de esas simulaciones.

Debido a que No existen suficientes incendios reales, bien medidos y completamente instrumentados para entrenar modelos de IA robustos. En lugar de esperar décadas para recopilar miles de incendios, construyó un simulador físico FIREBENCH extremadamente preciso y generó miles de incendios sintéticos bajo diferentes combinaciones de viento, pendiente, vegetación y condiciones atmosféricas. Ese conjunto de simulaciones sirve como base para entrenar modelos de aprendizaje automático.

​

FIREBENCH

Bianca Fredo, Malena Gaetan y Leonardo Schuler de la universidad nacional de la Patagonia San Juan Bosco, (UNPSJB) nos presentaron “Análisis espacial con herramientas de AI, automatización de flujos geoespaciales mediante lenguaje natural.” .

​

QGIS + Claude + MCP

automatización de flujos geoespaciales mediante lenguaje natural.

MCP (model context protocol) Claude interactua con QGIS via MCP (que funciona como traductor entre el lenguaje natural y los comandos GIS). El análisis espacial se ejecuta con las herramientas nativas de QGIS (PYGIS), no dentro del modelo de lenguaje. Mostraron un ejemplo de la RN3 y establecimientos educativos

QGIS con Gemini

Análisis: tiempo de análisis, tareas repetitivas, acceso a la IDE, tipo de interacción, Barrera técnica para usar la IDE

MCP potencia el análisis espacial asistido por IA, pero su confiabilidad dependen: de calidad de los datos interoperable, prompt bien definidos, …Riesgos, potencialidades y buenas prácticas.

​

Análisis espacial con herramientas AI

• Trabajo interdisciplinario
• división por disciplinas
• división por elementos (agua, fuego, aire,..)
• Tecnologías (QGis, ArcGIS, ..) y Lenguajes de Programación (JS, python, R, …)
• Medios de contacto:
• difusión: grupo de whatsapp
• email del grupo: cdg.idera@gmail.com

​

Plan anual de trabajo

(aprobado por asamblea)

Difundir y capacitar acerca de infraestructuras de datos globales en la nube, de Observación de la Tierra (EO) como plataforma para el desarrollo de capacidades en análisis geoespacial avanzado, promoviendo la aplicación de técnicas de Machine Learning, Deep Learning y GeoAI sobre grandes volúmenes de imágenes satelitales, con el fin de fortalecer la innovación tecnológica y la gestión de información geoespacial en los gobiernos.

Desarrollar y dictar presentaciones y materiales didácticos sobre técnicas de aprendizaje automático supervisado para clasificación multiclase y binaria de imágenes satelitales: Fomentar el uso de modelos de Machine Learning (como Random Forest, Support Vector Machines o CART) para la clasificación de coberturas terrestres, detección de cambios y análisis temáticos aplicados a datos satelitales disponibles en la nube (p. ej. Sentinel, Landsat, MODIS)

Promoción del uso de las últimas tecnologías, procesos e innovaciones

Meta

Accion 1

Actividad 5.1.3

Difundir y capacitar acerca de infraestructuras de datos globales en la nube, de Observación de la Tierra (EO) como plataforma para el desarrollo de capacidades en análisis geoespacial avanzado, promoviendo la aplicación de técnicas de Machine Learning, Deep Learning y GeoAI sobre grandes volúmenes de imágenes satelitales, con el fin de fortalecer la innovación tecnológica y la gestión de información geoespacial en los gobiernos.

Brindar presentaciones y generar recursos formativos y charlas de difusión en geosemántica, modelos fundacionales y embeddings aplicados a Observación de la Tierra: Explorar el uso de modelos fundacionales (Foundation Models) y representaciones vectoriales (embeddings satelitales) para la detección de patrones semánticos, similitud entre regiones y análisis de cambio geoespacial desde una perspectiva de GeoAI y geosemántica estadística

Promoción del uso de las últimas tecnologías, procesos e innovaciones

Meta

Acción 2

Actividad 5.1.3

Difundir y capacitar acerca de infraestructuras de datos globales en la nube, de Observación de la Tierra (EO) como plataforma para el desarrollo de capacidades en análisis geoespacial avanzado, promoviendo la aplicación de técnicas de Machine Learning, Deep Learning y GeoAI sobre grandes volúmenes de imágenes satelitales, con el fin de fortalecer la innovación tecnológica y la gestión de información geoespacial en los gobiernos.

Articular estudios teórico-prácticos sobre la adopción de redes neuronales y enfoques de Deep Learning para la extracción avanzada de información: Impulsar el uso de arquitecturas profundas (CNN, U-Net, Transformers) para la segmentación, detección de objetos y clasificación semántica de imágenes satelitales, aprovechando la potencia de cómputo en la nube y entornos de entrenamiento colaborativos.

Promoción del uso de las últimas tecnologías, procesos e innovaciones

Meta

Actividad 5.1.3

Acción 3

Impulsar proyectos interinstitucionales y multisectoriales que promuevan la innovación tecnológica, la interoperabilidad y el aprovechamiento inteligente de los datos geoespaciales, en articulación con gobiernos provinciales, locales, nacionales y el sistema académico-científico.

Implementar un proceso sistemático de detección, preparación y postulación a convocatorias emergentes de financiación, asegurando la participación coordinada de actores provinciales, locales y académicos en propuestas que fortalezcan la infraestructura y las capacidades digitales regionales.

Consolidar un marco de cooperación regional que impulse la transformación digital en el ámbito geoespacial, mediante la participación continua y colaborativa en convocatorias de financiación orientadas al fortalecimiento de las IDE y la aplicación de técnicas de IA en la gestión de la información geoespacial.

Meta

Actividad 7.3.1

Acción

¡¡GRACIAS!!

Pie de foto