Durante tres jornadas, participantes de distintas disciplinas utilizaron datos satelitales, embeddings de AlphaEarth y aprendizaje automático para estudiar los ecosistemas áridos de la Región de Coquimbo. Como resultado, desarrollaron una aplicación capaz de identificar el avance del suelo desnudo con una resolución de diez metros.

La Universidad de La Serena desarrolló el workshop “Implementando IA Geoespacial para Ciencia de Vanguardia”, una instancia formativa que exploró el potencial de la inteligencia artificial y el análisis de datos satelitales para estudiar las transformaciones ambientales de los ecosistemas áridos de la Región de Coquimbo.

La actividad fue conducida por Felipe Benavides, investigador del Institute for Experiential Artificial Intelligence de Northeastern University. Durante las tres jornadas, especialistas y participantes provenientes de áreas como ecología, agronomía, ingeniería de datos, ciencias del suelo, estudios de humedales y ciencias sociales trabajaron colaborativamente en torno a desafíos territoriales de la zona.

Para Macarena Varas, encargada de la Oficina de Creación e Innovación de la Vicerrectoría de Investigación y Postgrado de la Universidad de La Serena, la realización de esta actividad permitió acercar nuevas capacidades tecnológicas a la comunidad universitaria y vincularlas con problemas concretos de la región.

“Esta instancia nos permitió acercar capacidades avanzadas en inteligencia artificial geoespacial a nuestra comunidad universitaria. Desde la Oficina de Creación e Innovación buscamos precisamente generar estos espacios de aprendizaje y conexión con expertos internacionales, que permitan explorar nuevas herramientas y sus posibilidades de aplicación a los desafíos de nuestro territorio”, señaló.

Uno de los principales resultados de esta actividad, desarrollada en el marco de los proyectos InES I+D y FIUT de la Universidad de La Serena, fue la creación de una aplicación destinada a detectar el avance del suelo desnudo, una de las principales señales de los procesos de desertificación. La herramienta permitió analizar toda la Región de Coquimbo con una resolución espacial de diez metros

“En menos de un día, los participantes construyeron una aplicación capaz de detectar el avance del suelo desnudo en toda la región. Desarrollar un trabajo de esta magnitud mediante sistemas de información geográfica tradicionales habría requerido meses y una cantidad importante de recursos”, explicó Felipe Benavides.

Inteligencia artificial aplicada al territorio

El programa comenzó con una sesión virtual destinada a preparar los entornos digitales de trabajo. Durante esa jornada se abordó la creación y autenticación de proyectos en Google Earth Engine, el uso de Google Colab y la incorporación de la colección de embeddings geoespaciales de AlphaEarth.

Google Earth Engine es una plataforma de análisis geoespacial n la nube que permite acceder a grandes volúmenes de imágenes satelitales y a numerosos catálogos de información ambiental. Dentro de estos recursos se encuentran los embeddings de AlphaEarth, representaciones numéricas de la superficie terrestre generadas mediante inteligencia artificial.

Estos embeddings condensan en 64 dimensiones información procedente de distintas fuentes de observación de la Tierra. A diferencia de las bandas espectrales de una imagen satelital, que permiten interpretar directamente elementos como la vegetación, el agua, el suelo desnudo o la infraestructura, sus dimensiones no poseen una lectura inmediata. Para reconocer patrones relevantes es necesario aplicar modelos de aprendizaje automático.

“Los embeddings de AlphaEarth son representaciones de la superficie terrestre aprendidas por una gran red neuronal entrenada con el acervo geoespacial disponible en Google Earth Engine. En lugar de observar directamente bandas espectrales, trabajamos con 64 dimensiones que contienen información sobre el territorio y a las cuales debemos extraerles la señal”, detalló Benavides.

En el workshop se utilizó Random Forest, un modelo de aprendizaje automático que permitió reconocer qué dimensiones contenían información útil para identificar vegetación, agua, cultivos, transiciones ecológicas y otras características del paisaje.

“Random Forest funciona como una sonda que atraviesa esas 64 dimensiones para localizar las señales que nos interesan. Esto abre posibilidades que van mucho más allá de una imagen satelital tradicional y ofrece una herramienta de detección automática con cobertura global, sin las mismas limitaciones asociadas a la nubosidad o a la falta de datos”, agregó el investigador.

De los datos a una aplicación

Las sesiones siguientes avanzaron desde la preparación técnica hacia la definición de un problema territorial concreto. Los participantes utilizaron los embeddings como atributos y las capas de información sobre los ecosistemas como etiquetas, para luego construir y consolidar un conjunto de datos de entrenamiento.

A partir de esa base, aplicaron Random Forest para seleccionar los atributos más relevantes y entrenar un modelo de clasificación o regresión. El objetivo fue mapear ecosistemas áridos y observar sus transformaciones durante los últimos diez años.

El proceso también contempló la evaluación del modelo mediante distintas métricas, la interpretación de sus resultados y la realización de inferencias para detectar cambios multitemporales. Posteriormente, los equipos consolidaron estadísticas destinadas a examinar las posibles implicancias de estos cambios para la planificación y la toma de decisiones territoriales.

La actividad culminó con un desafío colaborativo en el que los participantes desarrollaron propuestas en equipos y presentaron sus resultados ante un jurado. La última jornada incluyó la deliberación, la premiación de las iniciativas y la ceremonia de clausura.

Para la estudiante Belén Piña, una de las principales fortalezas de estas tecnologías es su capacidad para complementar los métodos tradicionales y acelerar el estudio del territorio. “Estas herramientas permiten obtener rápidamente indicadores para responder preguntas urgentes de la región y pueden ser muy útiles en la planificación de muestreos y en los análisis exploratorios. El desafío es comprender sus limitaciones y desarrollar metodologías robustas que permitan utilizarlas de manera confiable”, señaló.

Benavides destacó tanto la diversidad disciplinaria del grupo como la rapidez con que sus integrantes lograron apropiarse de herramientas avanzadas y aplicarlas a un problema ambiental de la región.

“Tuvimos solo tres días, uno de teoría y dos de práctica, pero también muchas ganas y especialistas en ecosistemas secos, ecología, ingeniería de datos, agronomía, suelos, humedales y ciencias sociales. Los participantes aprendieron a aprovechar herramientas de inteligencia artificial geoespacial que están transformando la investigación y la industria, haciéndolas más accesibles, democráticas y expeditas”, sostuvo.

Desde la Universidad de La Serena, la experiencia también es vista como un punto de partida para profundizar el vínculo entre inteligencia artificial, innovación y necesidades territoriales. En este sentido, Varas destacó las oportunidades de continuidad que podrían surgir a partir del workshop.

“Esta experiencia abre posibilidades para seguir explorando nuevas colaboraciones e iniciativas en torno a la inteligencia artificial y los desafíos de la Región de Coquimbo a través del proyecto FIUT USerena. La idea es continuar fortaleciendo capacidades y conexiones que permitan acercar el conocimiento y la innovación a las necesidades de nuestro territorio”, afirmó.

El workshop permitió conectar la formación técnica con preguntas directamente relacionadas con el territorio. Desde la preparación de plataformas y datos hasta el entrenamiento, la evaluación y la interpretación de los modelos, la experiencia mostró cómo la inteligencia artificial geoespacial puede contribuir a comprender transformaciones ambientales y generar evidencia para futuras decisiones en una región marcada por la aridez, la escasez hídrica y la variabilidad de sus ecosistemas.