Imágenes satélite, clorofila y Machine Learning

Tweet about this on TwitterShare on FacebookGoogle+Share on LinkedIn

A special guest post by Bootcamp Instructor Pablo Monfort

Normalmente, cuando hablamos de Proyectos de Machine Learning tendemos a pensar en sectores muy tecnológicos, con multitud de datos; en los “early adopters”: banca, seguros…

Sin embargo, muchos otros sectores se están sumando a esta revolución tecnológica basada en el valor de los datos, algunos de ellos considerados históricamente como muy tradicionales.

Uno de ellos es el sector primario. No obstante, en este sector también hay empresas innovadoras que han visto la posibilidad de posicionarse desde el primer momento a partir del desarrollo de Proyectos de I+D basados en Data Mining y Machine Learning.

Uno de los últimos proyectos en los que estoy colaborando con CANALYTICALS es el desarrollo de algoritmos predictivos a partir de imágenes satélite.

El Proyecto, publicado en el diario EL MUNDO en enero de 2018 se basa en el siguiente planteamiento:

Un grupo ganadero referente en el sector plantea la mejora de la carne del ganado a través de la mejora de su alimentación, reduciendo la alimentación industrial y aumentando la natural. La cuestión de fondo es ampliar el margen de beneficio en un sector muy ajustado, donde el coste de la alimentación del ganado supone, según el año, entre un 50% y un 70% del gasto total.

Para ello necesita conocer dónde se encuentran los mejores pastos a partir de las imágenes satélite. Durante años han realizado la medida de cantidad y calidad de materia seca en determinadas fincas, creando importantes sets de datos de la realidad de la producción vegetal.

Al mismo tiempo se han descargado miles de imágenes satélite de dichas fincas en los momentos temporales en los que se han realizado las mediciones.

Posteriormente se descomponen las imágenes satélite en sets de datos. Con los datos de las mediciones reales y los procedentes de la descomposición de las imágenes satélite, desarrollamos un algoritmo predictivo cuyo fin es aprender de las imágenes existentes, de modo que, cuando los ganaderos descarguen imágenes nuevas, esta vez ya sin medición de la cantidad y calidad de materia seca, el algoritmo sea capaz de predecir la calidad del pasto.

Algoritmos predictivos al servicio de un mundo más sostenible.

 

 

Tweet about this on TwitterShare on FacebookGoogle+Share on LinkedIn