Al observar los datos satelitales, me parecía totalmente imposible que una nave espacial que orbita la Tierra a una distancia de varios cientos de kilómetros pudiera realmente ver una calle inundada en mi ciudad. Las inundaciones son muy desordenadas, sucias y, en general, impredecibles. Sin embargo, los satélites de radar se han vuelto muy sensibles en los últimos años y los algoritmos se han vuelto muy inteligentes, por lo que ahora es posible monitorear el agua que fluye a través de las casas, los campos y las orillas de los ríos. Escribí este artículo para explicar cómo funciona el truco. No es la versión perfecta “IA + satélites = magia”, sino la real, desde la perspectiva de una persona que ha pasado numerosas noches mirando imágenes SAR (Radar de Apertura Sintética) llenas de ruido, tratando de descubrir qué significan realmente.
Mi mensaje central: para poder localizar inundaciones en tiempo real y poder confiar en dichos mapas, hay que ir más allá de las imágenes ópticas y comprender la geometría de la retrodispersión SAR. El programa RISAT (Radar Imaging Satellite) de la India es un excelente ejemplo de cómo los canales de datos basados en la física pueden proporcionar la estabilidad y la independencia meteorológica necesarias para la entrega oportuna de información sobre inundaciones que puede utilizarse en situaciones de catástrofes extremas, como la temporada de monzones.
La extraña belleza y física de los datos SAR
La mayoría de la gente imagina los satélites como dispositivos para tomar fotografías, pero el SAR es bastante diferente a una cámara. No registra luz; de hecho, genera su propia luz. En el caso de un satélite como RISAT, se trata de una operación activa en la que el satélite envía un haz concentrado de microondas a la Tierra y registra una parte muy pequeña de la energía que se refleja hacia ella, lo que se denomina retrodispersión.
Por qué el agua parece oscura (el efecto especular)
El brillo de la imagen producida no es una medida de la luz visible, sino una explicación de cómo cambia la energía del radar a través de la interacción con la superficie subyacente. Esta interacción depende de qué tan rugosa y cuáles sean las propiedades de la superficie en relación con la longitud de onda del radar.
Superficies secas y rugosas (vegetación, áreas urbanas): las ondas del radar se dispersan en muchas direcciones diferentes cuando inciden en una superficie rugosa, como la luz que incide sobre un trozo de papel de aluminio arrugado. Gran parte de esta energía dispersada regresa al satélite → Bright Pixels. Superficies de agua lisas: Una superficie de agua en calma es como un espejo muy liso. Cuando las ondas de radar lo alcanzan, reflejan casi toda la energía lejos del satélite, del mismo modo que un espejo refleja la luz en una sola dirección. Solo se envía una cantidad muy pequeña de energía al sensor → Píxeles oscuros (lo que indica una retrodispersión muy baja).
Esta capacidad de penetrar la oscuridad, la lluvia, el polvo y el humo es lo que hace que el SAR sea irremplazable para la respuesta a desastres en ambientes nublados y con mucha humedad.
El proceso central de mapeo de inundaciones: del eco al mapa
Una imagen de satélite SAR no está disponible directamente desde la descarga. Un proceso de detección de inundaciones RISAT promedio es un proceso de ciencia de datos bien organizado y basado en la física. Cualquier error cometido al principio puede arruinar todos los resultados siguientes, por lo que un procesamiento cuidadoso es muy importante.
1. Preparación de los datos del radar
Básicamente, el primer paso es cambiar los datos sin procesar del satélite de tal manera que expresen mediciones de retrodispersión significativas. Este paso hace que los valores numéricos de la imagen sean una representación real de la superficie de la Tierra que se puede comparar con otras imágenes de manera confiable.
2. Reducir el ruido de la imagen
El moteado es un ruido granular, parecido al de sal y pimienta, que las imágenes SAR tienen inherentemente. Este ruido debe reducirse de manera que no desdibuje el contorno del terreno, en particular los límites definidos entre la tierra y el agua.
El desafío: el uso intensivo e inadecuado de un método de reducción de ruido puede eliminar pequeños detalles de la inundación o cambiar los límites del agua. Un método insuficientemente potente deja demasiado ruido que puede provocar errores en la identificación de las zonas inundadas.
La solución: Es un resultado claro de la imagen, que es adecuado para el análisis, porque se incorporan filtros especializados para suavizar las partes ruidosas preservando los bordes importantes.
3. Detección de cambios: la pieza central algorítmica
Esencialmente, la inundación es un cambio importante en la reflectividad de la superficie a la energía del radar, desde una superficie terrestre con dispersión brillante a una superficie de agua con dispersión oscura. Entonces, una comparación de una imagen de radar tomada antes de la inundación con una tomada después nos permite determinar las ubicaciones exactas de la inundación.
Uno de los métodos más eficaces es determinar el cambio de brillo entre las imágenes tomadas antes y después de la inundación. Aquellos lugares que hayan cambiado de tierra a agua tendrán una gran diferencia, revelando así el área inundada casi por completo.
4. Aislar y refinar las zonas de inundación
Las últimas operaciones consisten en encontrar los píxeles que corresponden a las áreas inundadas y garantizar que el mapa sea correcto:
Umbral: Un método automático localiza aquellos píxeles cuyo cambio es lo suficientemente significativo como para ser considerados “inundados”. Se obtiene así un primer mapa de las zonas inundadas. Uso de datos adicionales: Para afinar la precisión, recurrimos a diferentes tipos de datos geográficos. Por ejemplo, eliminamos las zonas que siempre están bajo el agua (como lagos o ríos permanentes) y no consideramos pendientes muy pronunciadas (que a veces pueden interpretarse erróneamente como áreas oscuras en las imágenes de radar debido a las sombras). Esto proporciona los medios para deshacerse de las detecciones falsas y garantiza que el mapa de inundaciones final sea “exacto”.
Los matices de la configuración del radar y la intervención humana
Una de las pequeñas decisiones que tiene más impacto que el algoritmo es la elección de la configuración correcta del radar, especialmente la forma en que se envían y reciben las ondas del radar (lo que se conoce como polarización).
Varias configuraciones de polarización pueden revelar diferentes aspectos del terreno. Cuando se trata de monitoreo de inundaciones, generalmente se selecciona una determinada configuración de polarización (frecuentemente denominada polarización VV), ya que da como resultado el mayor contraste entre la señal oscura proveniente del agua y la señal luminosa proveniente de la tierra que la rodea.
Por qué el juicio humano sigue superando a la IA pura
En la cartografía operativa actual de inundaciones, se ha descubierto que los métodos tradicionales producen resultados más fiables que los complejos modelos de inteligencia artificial. Esto se debe principalmente a que los métodos tradicionales son más consistentes y adaptables.
El desafío de la IA: los modelos de IA de uso general tienen dificultades para lidiar con el ruido inherente a los datos del radar. Además, estos modelos fallan cuando se reubican en una nueva área geográfica. Por ejemplo, un modelo de IA entrenado en inundaciones en una ciudad urbana plana podría no ser aplicable en el delta de un río agrícola montañoso. La ventaja humana: aunque se utilizan los mismos datos satelitales, dos analistas expertos pueden generar mapas de inundaciones ligeramente diferentes. Esto no es inexactitud; más bien, son matices. El analista aplica sus conocimientos para: Ajustar las zonas de inundación según el entorno local (reconociendo que un campo de arroz inundado se vería diferente a una carretera inundada). Sopese la necesidad de encontrar todas las áreas inundadas frente a la posibilidad de identificar áreas no inundadas como inundadas (falsas alarmas).
Si bien la IA está ganando terreno gradualmente, principalmente tiene una función de ayuda. Los métodos avanzados utilizan los principios físicos confiables del radar junto con la inteligencia artificial no solo para reducir los límites de las inundaciones sino también para elevar el nivel de detalle. Al hacerlo, la comprensión de la física del radar sigue siendo la consideración principal, mientras que la IA se utiliza para mejorar el producto final.
Conclusión
El programa RISAT es una de esas iniciativas que esencialmente logra esto proporcionando datos consistentes y confiables que son fundamentales para transformar el caos de las inundaciones en una inteligencia geoespacial estratégica y manejable. En la actualidad, la cartografía de inundaciones es esencialmente el punto de convergencia de los últimos avances en modelos físicos, procesamiento de datos y la aplicación de conocimientos geoespaciales por parte de agentes humanos.
Comprender e interpretar los patrones de retrodispersión es el paso clave para pasar de una mera visión de la catástrofe a una comprensión profunda de la magnitud y el flujo del desastre, permitiendo así una intervención oportuna. Además, RISAT e iniciativas similares no deben considerarse meros dispositivos tecnológicos estacionados en algún lugar del espacio, sino más bien instrumentos indispensables que sostienen el funcionamiento armonioso de los ecosistemas de analista y respondedor. Es decir, cuanto más rápidos y precisos sean nuestros mapas, los equipos de socorro podrán movilizarse y ejecutar sus tareas en un tiempo mucho más corto, siendo un ejemplo perfecto de cómo la ciencia de datos puede ser un activo directo para la humanidad.
Gracias por visitarnos y leer.
Referencias
ISRO, “Descripción general de la misión RISAT-1A”, (2022), sitio web de ISRO. ESA, “Tutoriales de procesamiento de SAR Sentinel-1” (2021), Documentación de la ESA. Jain, Kumar, Singh. “Técnicas de mapeo de inundaciones basadas en SAR: una revisión” (2020), Aplicaciones de teledetección. NRSC, “Atlas de peligros de inundaciones de la India” (2019), Informe del Centro Nacional de Teledetección. Schumann & Moller, “Detección remota de inundaciones por microondas” (2015), Journal of Hydrology.