El monitoreo automatizado de espacios verdes, permite en una forma sistemática y recurrente analizar el estado de los espacios verdes (plazas, parques, etc) y levantar alarmas o advertencias de degradaciones de los mismos sin la necesidad de la visita al lugar.

– ¿Podemos monitorear los espacios verdes utilizando imágenes satelitales?
– ¿Bajo qué condiciones este monitoreo seria considerado efectivo?
– ¿Son las series temporales la única forma de analizar o proyectar el posible comportamiento de un dado espacio o podemos incluir otros modelos que utilicen Aprendizaje Supervisado para el monitoreo (por ejemplo)?
– ¿Qué datos útiles podríamos extraer utilizando un esquema no supervisado?
– ¿Existe alguna limitación en el esquema de monitoreo propuesto? ¿Qué mejoras se podrían incluir?
– ¿ Las series temporales tienen toda la información que necesitamos para el monitoreo o es necesario en cierta instancia recurrir a el conjunto de imágenes satelitales?

Si querés inspeccionar el conjunto de datos, lo encontrarás en: https://github.com/felixlapalma/monitoreo-espacios-verdes-diplo202X

Entrega 20/05 – Práctico de análisis y visualización: Trabajar con imágenes satelitales implica incorporar conceptos tales como rasters, resolución, bandas, proyecciones,etc. Para su visualización o representación existen diferentes formas que pueden brindar una mejor interpretación de las mismas (cuando queremos resaltar algo en particular por ejemplo). Adicionalmente al trabajo con rasters (en forma simplificada un raster es una grilla de puntos cada uno de los cuales tiene alguna clase de identificación geográfica, que nos permite ubicarlos en el espacio) le sumamos ciertas representaciones geométricas, líneas, puntos polígonos (también asociados a cierta clase de referencia geométrica) que nos permiten marcar sobre un raster ciertas zonas de interés, por ejemplo.
Entrega 17/06 – Práctico de análisis exploratorio y curación de datos: ¿Todos los datos nos sirven? Las imágenes satelitales como cualquier otra imagen tienen diferentes factores que las pueden «ensuciar». Para las imágenes en cuestión, tales factores pueden ser:

– nubes (con esta vamos a estar trabajando particularmente)
– falta de luminosidad
– defectos del sensor
– etc.

Independientemente del estado de la imagen, siempre podemos extraer datos, calcular indices (combinación de las bandas de un dado raster), etc. Sin embargo estos serán buenos si la imagen de la cual proceden lo era. En esta etapa de «conocer» y «curar» los datos vamos a estar interesados en descartar aquellos datos o conjuntos de datos que se desvíen o no aporten información suficiente para los análisis posteriores.
Entrega 24/06 – Video de presentación intermedia del proyecto y dataset.
Entrega 29/07 – Práctico aprendizaje supervisado: Si tenemos los datos (rasters) y las zonas de interés con su etiqueta correspondiente (vectores, shp files, etc) es decir, en suma, la clasificación de un cierto conjunto de datos, podemos generar algunos clasificadores supervisados y analizar para el problema:

– ¿Es suficiente un solo modelo?
– ¿Qué tan importante es la parte temporal? ¿Necesitamos que sea estacional?
– ¿Es necesario utilizar todas las bandas del raster o con ciertos índices es suficiente?
– ¿Podríamos utilizar los modelos para detectar alguna clase de anomalía en el comportamiento de una dada región?
– etc.

Entrega 26/08 – Práctico aprendizaje no supervisado: Si tenemos los datos (rasters) y las zonas de interés con su etiqueta (pero por alguna razón no queremos utilizarlas). ¿Existe alguna forma que nos permite recuperar zonas diferenciadas dentro del área de monitoreo? (por zona diferenciada nos referimos a sectores que naturalmente se separan por su firma espectral).

– ¿Podríamos utilizar este enfoque para complementar/ayudar en el proceso de etiquetado?
– ¿Este esquema no supervisado podría servir para cotejar resultados supervisados?
– ¿Existe alguna forma de ayudar a que las zonas diferenciadas emerjan en una forma más accesible (ayuda: pensar en índices, NDWI, NDVI,etc).
– ¿Qué tan importante es la preparación de los datos para que el esquema no supervisado pueda ser efectivo?
– etc.

Entrega 23/09 – Video de presentación final de mentoría.
Jornadas 11/11 y 12/11 – Presentación de mentorías.