{"id":369140,"date":"2025-06-19T08:06:22","date_gmt":"2025-06-19T14:06:22","guid":{"rendered":"https:\/\/www.elplaneta.mx\/?p=369140"},"modified":"2025-06-19T08:06:27","modified_gmt":"2025-06-19T14:06:27","slug":"con-datos-del-satelite-daichi-2-se-desarrollo-un-modelo-basado-en-sar-especializado-para-japon-jaxa","status":"publish","type":"post","link":"https:\/\/www.elplaneta.mx\/?p=369140","title":{"rendered":"Con datos del sat\u00e9lite \u201cDaichi 2\u201d, se desarroll\u00f3 un modelo basado en SAR especializado para Jap\u00f3n: JAXA"},"content":{"rendered":"
\n
\"\"<\/figure><\/div>\n\n\n

Tokio, Jap\u00f3n, Asia.- Como resultado de la investigaci\u00f3n de su acuerdo de colaboraci\u00f3n, la Agencia de Exploraci\u00f3n Aeroespacial de Jap\u00f3n (en adelante, \u00abJAXA\u00bb) y el Instituto Nacional de Ciencia y Tecnolog\u00eda Industrial Avanzada (en adelante, \u00abAIST\u00bb) han construido un modelo base SAR*4 especializado para la masa terrestre de Jap\u00f3n, utilizando datos del modo de observaci\u00f3n de alta resoluci\u00f3n de 3 m que se observan rutinariamente sobre Jap\u00f3n mediante PALSAR-2, un radar de apertura sint\u00e9tica (SAR)*3 a bordo del DAICHI-2*2 (ALOS-2) de JAXA.<\/p>\n\n\n\n

Este resultado de investigaci\u00f3n fue logrado por el Instituto de Investigaci\u00f3n de Plataforma Inteligente AIST (Nevrez Imamoglu, investigador principal, Ali Caglayan, investigador principal, Kamiyama Toru, l\u00edder del grupo de investigaci\u00f3n, Tsutsumi Chiaki, gerente de investigaci\u00f3n jefe) mediante la importaci\u00f3n y el an\u00e1lisis de datos de observaci\u00f3n de DAICHI-2 en el sistema de computaci\u00f3n en la nube de IA a gran escala de AIST \u00abABCI\u00bb, logrando un aprendizaje a gran escala y construyendo un modelo b\u00e1sico.<\/p>\n\n\n\n

Inicialmente, esperamos que el modelo base y los productos de alto valor a\u00f1adido sean utilizados por investigadores, incluidos los de JAXA y AIST. Sin embargo, al utilizar este modelo base, esperamos reducir la barrera para la interpretaci\u00f3n de las im\u00e1genes SAR, que requiere conocimientos especializados, y ampliar el uso del SAR a una gama m\u00e1s amplia de personas.<\/p>\n\n\n\n

Teniendo en cuenta las caracter\u00edsticas de la superficie terrestre de Jap\u00f3n, como el hecho de que el 70% de la tierra est\u00e1 cubierta de bosques, los sitios que se utilizar\u00edan para la capacitaci\u00f3n se seleccionaron con antelaci\u00f3n para evitar sesgos en la capacitaci\u00f3n hacia usos y tipos de cobertura terrestres espec\u00edficos, y para igualar las proporciones de uso y cobertura terrestre incluidas en los datos de capacitaci\u00f3n. Los datos de observaci\u00f3n de PALSAR-2 cubren todo el pa\u00eds, pero al extraer parches de im\u00e1genes que incluyen los puntos seleccionados, desarrollamos un conjunto de datos de entrenamiento que refleja diversos usos y coberturas de la tierra. Al utilizar este conjunto de datos para realizar un aprendizaje no supervisado a gran escala*5, construimos un modelo fundamental para datos SAR especializados en tierras nacionales. Cuando se realiz\u00f3 una estimaci\u00f3n del uso y la cobertura del suelo mediante aprendizaje por transferencia, los resultados de la estimaci\u00f3n fueron significativamente m\u00e1s precisos que los obtenidos utilizando un modelo base con un conjunto de datos de aprendizaje creado aleatoriamente, o los resultados obtenidos sin utilizar el modelo base en absoluto, y se confirm\u00f3 que el modelo base que utiliza un conjunto de datos estandarizados exhibe un alto desempe\u00f1o.<\/p>\n\n\n\n

Antecedentes sociales del desarrollo<\/p>\n\n\n\n

SAR es una tecnolog\u00eda de teledetecci\u00f3n que utiliza microondas y, al utilizar tecnolog\u00eda de apertura sint\u00e9tica con sat\u00e9lites y aeronaves, se pueden obtener im\u00e1genes de alta resoluci\u00f3n como datos de observaci\u00f3n, de d\u00eda o de noche. En particular, las microondas en la banda L, que tiene un rango de frecuencia de 1 GHz a 2 GHz, tienen una alta transparencia al vapor de agua en el aire y la vegetaci\u00f3n y, por lo tanto, se utilizan cada vez m\u00e1s para monitorear cambios topogr\u00e1ficos y comprender la situaci\u00f3n durante desastres en pa\u00edses boscosos como Jap\u00f3n. El sat\u00e9lite \u00abDaichi 2\u00bb (ALOS-2) de JAXA est\u00e1 equipado con el SAR de banda L PALSAR-2, y contin\u00faa observando el mundo, incluido Jap\u00f3n, independientemente del clima o la hora del d\u00eda.<\/p>\n\n\n\n

Por otra parte, existen desaf\u00edos para ampliar el uso del SAR a una gama m\u00e1s amplia de campos. La interpretaci\u00f3n de los datos SAR requiere conocimientos especializados, por lo que se est\u00e1 introduciendo cada vez m\u00e1s tecnolog\u00eda de IA, pero los c\u00e1lculos a gran escala y la adquisici\u00f3n de grandes cantidades de datos son costosos. Se podr\u00eda considerar la introducci\u00f3n de un modelo fundacional para resolver este problema. La construcci\u00f3n de un modelo fundamental requiere grandes cantidades de datos y c\u00e1lculos a gran escala, pero una vez construido, se puede utilizar como base para construir modelos de IA que puedan realizar una variedad de tareas con un aprendizaje m\u00ednimo.<\/p>\n\n\n\n

Antecedentes de la investigaci\u00f3n<\/p>\n\n\n\n

Hasta ahora, no exist\u00eda un modelo b\u00e1sico para los datos SAR de PALSAR-2 en el sat\u00e9lite \u00abDaichi-2\u00bb de JAXA, en particular los abundantes datos SAR obtenidos a trav\u00e9s de observaciones de alta resoluci\u00f3n de tierras japonesas. AIST y JAXA firmaron un \u00abAcuerdo sobre investigaci\u00f3n y desarrollo de m\u00e9todos de an\u00e1lisis de IA para datos satelitales\u00bb y realizaron c\u00e1lculos a gran escala de datos PALSAR-2 utilizando \u00abABCI\u00bb, un sistema de computaci\u00f3n en la nube de IA a gran escala propiedad de AIST. Este logro fue posible gracias al Proyecto de Presupuesto de Pol\u00edticas de AIST \u00abInvestigaci\u00f3n y desarrollo en modelos de infraestructura de IA generativa en el dominio f\u00edsico\u00bb. Este resultado se logr\u00f3 utilizando ABCI 3.0 proporcionado por AIST y AIST Solutions con el apoyo del programa \u00abABCI 3.0 Development Acceleration Use\u00bb.<\/p>\n\n\n\n

Contenidos de la investigaci\u00f3n<\/p>\n\n\n\n

PALSAR-2, instalado a bordo del DAICHI-2, observa minuciosamente toda la superficie terrestre de Jap\u00f3n en modo de alta resoluci\u00f3n, como 3 m. Adem\u00e1s, estas observaciones se realizan peri\u00f3dicamente para detectar movimientos de la corteza causados \u200b\u200bpor terremotos y otros eventos, y los datos que cubren casi todo el pa\u00eds se actualizan aproximadamente cuatro veces al a\u00f1o de acuerdo con la \u00f3rbita del DAICHI-2. Los resultados de este estudio se lograron realizando un entrenamiento previo a gran escala utilizando MixMAE\u203b7, un derivado de Masked Auto Encoder (MAE)\u203b6, un m\u00e9todo de aprendizaje no supervisado desarrollado para im\u00e1genes, y construyendo un modelo base a partir de los abundantes datos SAR observados en el pa\u00eds.<\/p>\n\n\n\n

En las observaciones SAR, se emiten ondas de radio desde el sensor hacia la Tierra, y se observa el estado de la superficie de la tierra o del agua midiendo la intensidad de las ondas de radio que se reflejan desde la superficie de la tierra o del agua y regresan al sensor. Debido a que las im\u00e1genes SAR son diferentes de las longitudes de onda que ve el ojo humano, son significativamente diferentes de las im\u00e1genes familiares como las de los sat\u00e9lites meteorol\u00f3gicos, y se requieren conocimientos especializados para interpretar las im\u00e1genes. La aplicaci\u00f3n de IA a im\u00e1genes SAR para ayudar en la interpretaci\u00f3n se est\u00e1 volviendo m\u00e1s com\u00fan, pero desarrollar IA desde cero para cada prop\u00f3sito plantea desaf\u00edos en t\u00e9rminos de costos, incluida la preparaci\u00f3n de datos y los c\u00e1lculos necesarios para el entrenamiento de la IA. Al completar el aprendizaje b\u00e1sico de antemano, el modelo base se puede adaptar a diversos problemas con solo un aprendizaje adicional menor (llamado aprendizaje por transferencia).<\/p>\n\n\n\n

El rendimiento del modelo fundamental est\u00e1 fuertemente influenciado no s\u00f3lo por la cantidad de datos sino tambi\u00e9n por la diversidad de informaci\u00f3n contenida en ellos. Por ejemplo, el 70% de la superficie terrestre de Jap\u00f3n est\u00e1 cubierta de bosques, por lo que si los datos se entrenan de forma aleatoria, se espera que el conocimiento est\u00e9 sesgado hacia los bosques. En realidad, el pa\u00eds est\u00e1 formado por una variedad de tipos de tierras, incluidos bosques, zonas urbanas, r\u00edos y zonas cultivadas. Por lo tanto, tomando como referencia los datos ya disponibles sobre el uso y la cobertura del suelo del pa\u00eds, designamos por igual bosques, \u00e1reas urbanas, cuerpos de agua (r\u00edos, lagos, etc.) y \u00e1reas cultivadas. Para preparar los datos para el entrenamiento, dividimos las im\u00e1genes en peque\u00f1as im\u00e1genes de 256 x 256 p\u00edxeles (parches de imagen) centradas en puntos espec\u00edficos y preparamos m\u00e1s de 300.000 piezas de datos de entrenamiento. Adem\u00e1s, para reducir los efectos del ruido de moteado*8 espec\u00edfico del SAR y las se\u00f1ales extremadamente fuertes debidas a las condiciones de reflexi\u00f3n, ideamos una funci\u00f3n de p\u00e9rdida que ignora los efectos de las \u00e1reas con una intensidad de ondas de radio reflejadas extremadamente fuerte. El modelo base se construy\u00f3 realizando un aprendizaje no supervisado utilizando el conjunto de datos de entrenamiento creado y una funci\u00f3n de p\u00e9rdida dise\u00f1ada.<\/p>\n\n\n\n

Si bien el modelo base no es capaz de manejar un prop\u00f3sito espec\u00edfico tal como est\u00e1, se puede utilizar para una variedad de prop\u00f3sitos realizando aprendizaje por transferencia en una peque\u00f1a cantidad de conjuntos de datos adaptados al prop\u00f3sito. En este estudio, realizamos aprendizaje por transferencia para permitir la estimaci\u00f3n del uso y la cobertura del suelo, con el objetivo de evaluar el desempe\u00f1o del modelo b\u00e1sico (Figura 3).<\/p>\n\n\n\n

Cuando se utiliz\u00f3 el modelo fundamental, los datos SAR a gran escala ya hab\u00edan sido entrenados previamente y ya se hab\u00eda extra\u00eddo informaci\u00f3n \u00fatil para comprenderlos. Esto result\u00f3 en una mejora del 10% o m\u00e1s en la precisi\u00f3n en comparaci\u00f3n con los modelos que no utilizaron el modelo fundamental para estimar el uso y la cobertura terrestre.<\/p>\n\n\n\n

Planes futuros<\/p>\n\n\n\n

En el futuro, utilizaremos el modelo b\u00e1sico que hemos construido para llevar a cabo diversas aplicaciones como la detecci\u00f3n de desastres y la detecci\u00f3n de cambios urbanos, acumulando ejemplos pr\u00e1cticos de datos SAR y evaluando el rendimiento del modelo b\u00e1sico. Adem\u00e1s, si bien hasta ahora ha sido dif\u00edcil para la IA convertir la informaci\u00f3n que ha obtenido de las im\u00e1genes en explicaciones ling\u00fc\u00edsticas f\u00e1ciles de entender para los humanos, el modelo fundamental facilita la integraci\u00f3n de diferentes tipos de informaci\u00f3n, como el lenguaje y las im\u00e1genes, o el lenguaje y la ac\u00fastica, lo que permite explicar los resultados de la interpretaci\u00f3n de los datos SAR en lenguaje. Adem\u00e1s, se espera que la explicaci\u00f3n expresada en el lenguaje pueda ser entendida por un modelo de lenguaje separado, que puede usarse para ayudar con tareas tales como determinar si una observaci\u00f3n debe repetirse. Estos esfuerzos har\u00e1n que la comprensi\u00f3n de los datos SAR, que antes requer\u00edan conocimientos especializados, sea m\u00e1s intuitiva y r\u00e1pida, y nuestro objetivo es ampliar a\u00fan m\u00e1s el uso del SAR en el futuro.<\/p>\n\n\n\n

Acerca de las cifras utilizadas en este comunicado de prensa<\/p>\n\n\n\n

Esta figura es una cita y modificaci\u00f3n del art\u00edculo original. Respecto del uso de derechos de autor, aseg\u00farese de indicar claramente la fuente a continuaci\u00f3n.<\/p>\n\n\n\n

Presentado en la 78.\u00aa Conferencia Acad\u00e9mica de la Sociedad de Teledetecci\u00f3n de Jap\u00f3n (primavera de 2025) Art\u00edculo publicado: Tarea de segmentaci\u00f3n de im\u00e1genes y preentrenamiento autosupervisado en im\u00e1genes SAR de canal \u00fanico ALOS2 Autores: Nevrez Imamoglu, Ali Caglayan, Toru Kouyama<\/p>\n","protected":false},"excerpt":{"rendered":"

Tokio, Jap\u00f3n, Asia.- Como resultado de la investigaci\u00f3n de su acuerdo de colaboraci\u00f3n, la Agencia…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[210,583],"tags":[],"class_list":["post-369140","post","type-post","status-publish","format-standard","hentry","category-el-espacio","category-principales"],"gutentor_comment":0,"_links":{"self":[{"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=\/wp\/v2\/posts\/369140","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=369140"}],"version-history":[{"count":1,"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=\/wp\/v2\/posts\/369140\/revisions"}],"predecessor-version":[{"id":369142,"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=\/wp\/v2\/posts\/369140\/revisions\/369142"}],"wp:attachment":[{"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=369140"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=369140"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.elplaneta.mx\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=369140"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}