Detección de Objetos con Geo-Inteligencia Artificial durante la gestión de la Dana de Valencia
Durante la Dana que afectó a Valencia en octubre de 2024, desde Esri España apoyamos activamente a varios clientes involucrados en los servicios de emergencia, proporcionando soporte técnico y proponiendo nuevas aplicaciones de la tecnología.
Uno de los retos a los que se enfrentaron los equipos de emergencia fue la detección de obstáculos dentro de las ciudades. En un punto de la respuesta ante la emergencia, necesitaban saber qué calles estaban obstaculizadas y el grado de obstaculización para priorizar las tareas de limpieza. En cuestión de horas y utilizando Geo-Inteligencia Artificial (GeoIA), pudimos convertir la información contenida en una imagen de dron en datos cuantitativos y elaborar un cuadro de mando con el resultado del análisis y con una funcionalidad inmediata.
Este es un ejemplo que ilustra un flujo completo de imágenes en ArcGIS, que incluye captura, procesamiento, análisis de imágenes con GeoIA y configuración de aplicaciones web low code para dar apoyo a la toma de decisiones basadas en datos en una situación de emergencia.
Transforma imágenes en información con GeoIA
Procesamiento de Imágenes de dron en la nube
Detección de objetos en las calles
Análisis espacial
Visualizar y compartir resultados
Procesamiento de Imágenes de dron en la nube
Para conocer cuál era el estado de las calles, se voló un dron. El procesamiento de sus imágenes se hizo con Site Scan for ArcGIS. El objetivo era obtener una imagen actualizada que representara el estado de las calles en ese momento.
Como resultado del procesamiento fotogramétrico también se obtuvo el modelo digital de superficie actualizado, una nube de puntos 3D y una malla 3D texturizada, productos con los que se pueden hacer análisis adicionales.
Detección de objetos en las calles
Analizando la imagen del dron pudimos contabilizar y situar todos los objetos que estaban en las calles gracias a una combinación de técnicas analíticas basadas en Inteligencia Artificial y GIS (GeoIA). Por un lado, se introdujeron comandos de texto en el modelo pre-entrenado TextSAM, disponible y listo para usar en Living Atlas, lo que permitió identificar coches y pequeños montones de escombros. Además, entrenamos un modelo propio para detectar grandes montones de escombros, cuya arquitectura SAMLoRA también está disponible en ArcGIS y ofrece grandes ventajas. Mediante el uso de ambos modelos, conseguimos una capa que representaba todos los objetos que había en las calles.
El uso de modelos pre-entrenados disponibles en el Living Atlas permitió ahorrar tiempo y recursos obteniendo resultados muy rápidamente. Asimismo, Esri proporciona todas las herramientas necesarias para completar un flujo de trabajo de Deep Learning completo, permitiendo entrenar un modelo propio de detección de escombros.
Análisis espacial
Para determinar qué obstáculos impedían la traficabilidad, realizamos un análisis espacial con información acreditada, como los Edificios de Catastro de España disponibles en Living Atlas, o las vías de comunicación del Instituto Cartográfico de Valencia, descargadas de su web.
Los edificios sirvieron para excluir su superficie del análisis y acotarlo a las calles. Y la superposición de los objetos detectados con las calles dieron como resultado los obstáculos que impiden el tráfico.
Gracias a este análisis pudimos conocer qué calles aún estaban obstaculizadas y en qué grado para planificar y optimizar las tareas de limpieza de las mismas.
imagen
Visualizar y compartir resultados
Finalmente, para compartir el resultado de los análisis, creamos un cuadro de mando. En tan solo unos minutos convertimos los datos en local en servicios de datos e imágenes, creando una aplicación low code que permitía visualizar e interactuar con los resultados desde cualquier dispositivo, así como compartir la información con los perfiles autorizados.
¿Qué tecnología GIS empleamos y para qué?
Captura de Datos
Site Scan for ArcGIS es una herramienta SaaS que procesa imágenes individuales de dron en la nube y genera, entre otros productos, un ortomosaico verdadero sobre el cual se pueden aplicar diversas técnicas avanzadas de análisis de imágenes, como Deep Learning.
A pesar de que las torres de telecomunicaciones estaban afectadas y la conectividad era reducida, su capacidad de autoescalado permitió un procesado rápido. Además, los resultados se pueden publicar directamente en ArcGIS Online y ArcGIS Enterprise.
Site Scan for ArcGIS
Detección de Objetos
Para esta fase utilizamos ArcGIS Pro con la extensión de Image Analyst, que incluye las herramientas para aplicar técnicas de Deep Learning. Con el modelo pre-entrenado TextSAM y entrenando un modelo propio, SAMLoRA pudimos identificar y segmentar los escombros de toda la ciudad. Actualmente hay más de 90 modelos disponibles, lo que permite ahorrar tiempo y recursos. Además, para entrenar un nuevo modelo, Esri incluye una variedad de modelos fundacionales, optimizados para distintas tareas como la segmentación de imágenes, clasificación de objetos, detección y extracción de entidades.
ArcGIS Image Analyst
Análisis Espacial
El análisis espacial también se realizó con ArcGIS Pro. Esta herramienta admite una amplia variedad de formatos de datos, incluyendo ráster, vector, bases de datos espaciales y servicios web, permitiendo integrar datos de diversos orígenes, como la base cartográfica descargada del Instituto Cartográfico de Valencia y el Catastro de España, servicio de entidades de Living Atlas, e incorporarlos en los análisis espaciales. Además, cuenta con más de 2,000 herramientas de geoprocesamiento en más de 40 cajas de herramientas, que abarcan análisis espacial, gestión de datos, conversión de formatos, geocodificación, interpolación, minería de datos, modelado hidrológico y muchas más. Asimismo, los usuarios pueden crear sus propias herramientas personalizadas mediante ModelBuilder o scripts en Python.
ArcGIS Pro
Visualización y Difusión de Resultados
Para esta última fase utilizamos ArcGIS Dashboards en ArcGIS Online (también puede hacerse con ArcGIS Enterprise). Los resultados del análisis se publican como servicios y se pueden construir aplicaciones web low code como un panel de control para la consulta y explotación de los resultados del análisis. Tanto ArcGIS Online como ArcGIS Enterprise permiten compartir la información con los perfiles autorizados proporcionándoles diferentes niveles de acceso a través de tipos de usuario y roles.
La facilidad de uso de ArcGIS Dashboards nos permitió crear un cuadro de mando en cuestión de minutos, mediante el uso de widgets con funcionalidad por defecto con la información básica necesaria para saber dónde había más obstáculos y con la versatilidad de poder añadir funcionalidades adicionales en función de nuevas necesidades.
ArcGIS Dashboards
¿Quieres saber más sobre GeoIA?
Rellena este formulario y te contaremos como el GeoIA ayudó durante la gestión de la Dana de Valencia
