Proyecto Final — Plan Completo de Teledetección Aplicada
Proyecto Final — Proyecto de Estudio Integral: Teledetección + IA Aplicada
Análisis real sobre un área concreta partiendo de datos originales de satélite
Este proyecto final integra las técnicas de los 5 módulos del curso en un caso de uso real. Además, deberás incorporar al menos una herramienta de Inteligencia Artificial en tu workflow — reflejando el estado del arte actual de la teledetección profesional.
🤖 La IA en el Proyecto Final — Por Qué y Cómo
La teledetección de 2025 ya no se practica sin IA. Los modelos de fundación para observación de la Tierra, los clasificadores de deep learning y los asistentes de código LLM forman parte del workflow profesional estándar. Este proyecto te pide demostrar que sabes integrarlos.
🌍 Modelos de Fundación para EO
Prithvi-EO-2.0 (IBM/NASA): 600M parámetros, entrenado en 4.2M series temporales Landsat/Sentinel. +8% precisión en clasificación vs. métodos anteriores. Disponible en Hugging Face gratuitamente.
Dynamic World (Google): clasificación de 9 coberturas a 10m con actualización casi diaria. Accesible en GEE sin coste. Ideal para línea base del proyecto.
🔀 Deep Learning para Segmentación y Cambio
SAM (Meta, 2023): Zero-shot segmentation aplicable a cualquier imagen de satélite o dron. Delimita parcelas, copas de árboles, edificios sin entrenamiento previo.
ChangeFormer: Transformer para detección de cambio binario con 91% precisión sobre Sentinel-2. PyTorch, ejecutable en Google Colab gratuito. Ideal para proyectos de expansión urbana o deforestación.
📝 LLMs como Asistentes de Código GIS
Claude-3.5-Sonnet lidera el GeoAnalystBench (0.370) para generación de código GIS. Puede generar scripts QGIS Python, código GEE JavaScript y comandos GDAL desde descripción en lenguaje natural.
Úsalo para: calcular índices espectrales, crear pipeline de clasificación, generar visualizaciones y explicar resultados estadísticos. Siempre verifica el código antes de ejecutar.
🏭 Plataformas con IA Integrada
Google Earth Engine: ee.Classifier.smileRandomForest(), ee.Algorithms.Image.segmentation.SNIC() para OBIA, y acceso a Dynamic World directamente.
Microsoft Planetary Computer Pro: 120+ datasets, 50PB+ de datos, APIs de ML integradas con Azure.
ESRI ArcGIS: Living Atlas con capas AI (Dynamic World), Deep Learning Frameworks para clasificación supervisada con CNNs.
🤖 IA en el Workflow de Teledetección — Dónde Ayuda Más
🗂️ Elige tu Problemática — 3 Opciones Oficiales
OPCIÓN A — Seguimiento de regadíos ilegales
Detectar parcelas que riegan sin concesión en una cuenca semiárida española usando serie temporal Sentinel-2. El NDVI julio > 0.4 en zona de secano = candidato a regadío ilegal.
🤖 IA sugerida: Random Forest sobre métricas fenológicas NDVI (precisión 97%); Dynamic World como línea base; LLM para generar el script GEE de descarga y cálculo.
OPCIÓN B — Cartografía de severidad de incendio forestal
Mapear la severidad de un incendio ocurrido en España (últimos 3 años) con dNBR Sentinel-2. Cruzar con Natura 2000 para calcular hábitats afectados por nivel de severidad.
🤖 IA sugerida: ChangeFormer para delimitar el perímetro automáticamente; Prithvi-EO-2.0 para clasificar vegetación post-incendio; SAM para segmentar manchas irregulares.
OPCIÓN C — Expansión urbana ilegal e isla de calor
Cuantificar la expansión urbana en una ciudad española entre dos fechas (10-15 años de diferencia) usando Sentinel-2 o Landsat. Estimar el cambio en la isla de calor (LST).
🤖 IA sugerida: ChangeFormer para detectar cambio automáticamente; NDBI+NDVI+LST para cuantificar; LLM para redactar el informe ejecutivo desde los estadísticos del análisis.
Metodología Obligatoria del Proyecto Final
Para cualquiera de las tres opciones, debes seguir esta metodología completa que integra datos originales de satélite y herramientas de IA.
- DATOS ORIGINALES: Descargar imágenes Level-2A (reflectancia superficial corregida) directamente desde Copernicus Hub, GEE o USGS EarthExplorer. Documentar: sensor, fecha, nivel de procesamiento, nubosidad (<10%), proyección y resolución. No usar imágenes procesadas por terceros.
- PREPROCESAMIENTO: Verificar la corrección atmosférica (Level-2A). Aplicar máscara de nubes con la banda SCL (Sentinel-2) o QA_PIXEL (Landsat). Recortar al área de estudio. Documentar cada paso con capturas de pantalla.
- ANÁLISIS TRADICIONAL: Calcular mínimo 2 índices espectrales relevantes para la problemática elegida. Documentar fórmulas, justificar elección frente a alternativas. Aplicar la técnica de clasificación o detección de cambio adecuada.
- INCORPORACIÓN DE IA (obligatorio): Usar al menos UNA herramienta de IA en el workflow. Opciones: (a) Dynamic World como línea base, (b) SAM para segmentación automática, (c) LLM para generar código de análisis, (d) ChangeFormer/Random Forest para clasificación, (e) Prithvi-EO-2.0 en Hugging Face. Documentar cómo la IA mejoró o aceleró el análisis.
- VALIDACIÓN: Mínimo 15 puntos de control por clase usando fuentes independientes (ortofoto PNOA, visita campo, Google Earth histórico). Calcular matriz de confusión y coeficiente Kappa. El Kappa debe superar 0.65.
- MAPA FINAL CARTOGRÁFICO: Escala apropiada, norte, leyenda completa, fuentes de datos, sistema de referencia (ETRS89), fecha de los datos. El mapa debe ser interpretable sin leer el informe.
- INFORME TÉCNICO: 1500-2000 palabras. Estructura: introducción y objetivos, área de estudio (ubicación, problemática), datos y metodología (incluyendo descripción de la IA usada), resultados con estadísticas de superficie, discusión (limitaciones, fuentes de error, comparación con/sin IA), conclusiones, bibliografía (mínimo 5 referencias, incluyendo el artículo del modelo de IA usado).
- ENTREGA: Carpeta comprimida con: (1) Proyecto QGIS/GEE, (2) capas resultado en GeoPackage o GeoTIFF, (3) mapa final en PDF A4, (4) informe técnico en PDF, (5) capturas de pantalla del uso de la herramienta de IA y descripción de cómo mejoró el resultado.
📚 Recursos de IA para el Proyecto — Acceso Gratuito
🤗 Modelos en Hugging Face
- IBM/NASA-geospatial/Prithvi-EO-2.0
- facebook/sam-vit-huge (SAM)
- whu-sgis/ChangeFormer
- torchgeo — librería PyTorch para teledetección
🌍 Plataformas Cloud Gratuitas
- Google Earth Engine (cuenta educativa)
- Google Colab (GPU gratuita para entrenamiento)
- Microsoft Planetary Computer (Jupyter Notebooks)
- Copernicus Open Access Hub (datos Sentinel)
💬 LLMs para código GIS
- Claude.ai (Sonnet) — lidera GeoAnalystBench
- ChatGPT-4o — generación de scripts QGIS
- QGIS MCP Plugin — Claude integrado en QGIS
- GeoAgent QGIS Plugin — asistente multimodal
📖 Referencias Bibliográficas
- Prithvi-EO-2.0 — IBM Research Blog (2024)
- ChangeFormer — arXiv:2304.13000
- GeoAnalystBench — Medium/Radiant Earth (2024)
- Dynamic World — Nature Scientific Data (2022)
- Datos originales de satélite Level-2A con preprocesamiento documentado (20% nota)
- Aplicación correcta de índices espectrales y técnica de análisis adecuada a la problemática (25% nota)
- Incorporación real y documentada de una herramienta de IA con reflexión sobre su aportación (20% nota)
- Validación con matriz de confusión y Kappa ≥ 0.65 sobre puntos de control independientes (20% nota)
- Calidad cartográfica del mapa final e informe técnico con estructura científica completa (15% nota)
¡Enhorabuena — Has Completado el Curso EOCO098PO!
- ✅ Dominas los fundamentos físicos y técnicos de la teledetección: señales, sensores, correcciones y principios espectrales
- ✅ Sabes aplicar las técnicas de extracción de información: índices espectrales, PCA, clasificación supervisada y detección de cambios
- ✅ Conoces las aplicaciones reales en 12 campos y sabes qué plataforma usar para cada problema
- ✅ Has integrado la IA en tu workflow: modelos de fundación, segmentación zero-shot, deep learning y LLMs como asistentes de código
- ✅ El Proyecto Final demuestra que puedes realizar un análisis completo y profesional desde datos originales de satélite hasta informe técnico validado