TFB

1. Resumen Ejecutivo del Proyecto

El presente Trabajo Final de Bàtxelor (TFB) plantea el diseño, desarrollo y validación empírica de una plataforma Web GIS avanzada orientada a la detección automatizada de nubes en imágenes satelitales Sentinel-2 sobre el territorio de Cataluña.

Para lograrlo, se construirá un pipeline geoespacial escalable basado en tecnologías Cloud (como Cloud Optimized GeoTIFF y PMTiles) y se entrenará un modelo de Inteligencia Artificial (Red Neuronal Convolucional tipo U-Net). La principal innovación de este modelo reside en la integración de datos multiespectrales con un Modelo Digital de Elevaciones (DEM) del ICGC, lo que permitirá solucionar los falsos positivos habituales del algoritmo estándar europeo (Sen2Cor) al diferenciar de forma robusta la nubosidad real de la nieve en los Pirineos y de las masas de agua profunda.

El proyecto culminará con el despliegue de una infraestructura tecnológica que permitirá la visualización interactiva y procesamiento on the fly a través de una aplicación web, mejorando sustancialmente las capacidades de monitorización cartográfica y climática de la región.

2. Calendario de Entregas (Edición 2510)

3. Entrega 1: PROPUESTA INICIAL

Índice de Acrónimos y Glosario Técnico

Para facilitar la lectura a evaluadores y personas no especialistas en Sistemas de Información Geográfica (GIS) se definen los siguientes términos clave utilizados en este documento:

• Sentinel-2: Misión de satélites ópticos de alta resolución (10 metros) perteneciente al programa europeo Copernicus.
• Sen2Cor: Software de la Agencia Espacial Europea (ESA) para la corrección admosferica (incluye un detector de nubes básico que este proyecto pretende mejorar).
• Tiling: Técnica geoespacial que consiste en "trocear" imágenes satelitales gigantes en cuadrados más pequeños para que el ordenador pueda procesarlos sin saturar la memoria RAM.
• OOM: Out of Memory (Fuera de memoria). Colapso del ordenador por intentar cargar demasiados datos gráficos a la vez.
• COG: Cloud Optimized GeoTIFF. Formato de imagen satelital optimizado para ser consultado y procesado de forma rápida y directa en la nube.
• PMTiles: Formato de archivo de mapa diseñado para almacenar teselas geoespaciales en la nube de forma estática, optimizando la velocidad y coste del servidor.
• gpkg: GeoPackage. Formato de base de datos geoespacial moderno, abierto y compacto.
• shp: Shapefile. Formato de archivo informático vectorial clásico y muy extendido para almacenar sistemas de información geográfica.
• On the fly: Procesamiento o renderizado "sobre la marcha" o en tiempo real. Ocurre en el instante exacto en que el usuario lo solicita, sin necesidad de tener los datos pre-procesados.
• ESA: European Space Agency (Agencia Espacial Europea).
• ACA: Agencia Catalana del Agua.
• ICGC: Instituto Cartográfico y Geológico de Cataluña.
• DEM: Digital Elevation Model (Modelo Digital de Elevaciones). Representación en 3D del relieve terrestre.
• U-Net: Arquitectura de red neuronal convolucional diseñada para la segmentación semántica de imágenes (asignación de clases píxel a píxel).

1. Título propuesto

Plataforma Web GIS de Datos Sentinel-2: Detección de nubes mediante modelo de Machine Learning en Cataluña.

2. Objetivos del TFB

Desarrollar un entorno escalable (pipeline geoespacial) para imágenes Sentinel-2, diseñado para integrar y ejecutar un modelo de Machine Learning que detectará las nubes sobre el territorio de Cataluña (órbitas R008 y R051).

• 1. Identificar, seleccionar y extraer las fuentes de datos satelitales (Copernicus Sentinel-2), diseñando y desarrollando procesos ETL (Extract, Transform, Load) para su armonización y preparación.
• 2. Diseñar una arquitectura de base de datos orientada a la nube basada en Cloud Optimized GeoTIFF (COG) y PMTiles.
• 3. Entrenar una red neuronal convolucional única (tipo U-Net) integrando datos multiespectrales y topográficos (DEM), con el fin de maximizar la capacidad algorítmica de separar nubes reales de la nieve topográfica.
• 4. Evaluar el rendimiento empírico del modelo frente a los falsos positivos más críticos del procesador estándar Sen2Cor: la nieve de los Pirineos y la superficie del agua profunda (Delta del Ebro y Mar Mediterráneo).
• 5. Construir la infraestructura tecnológica completa (repositorio, servidor online, prácticas DevOps, frontend y backend) para integrar la API de Copernicus y permitir la visualización dinámica (on the fly) de imágenes Sentinel-2 en una plataforma Web interactiva.

3. Breve justificación de la propuesta

• Problema que resuelve: La generación de mosaicos cartográficos limpios a partir de satélites se ve constantemente truncada por las nubes. Los procesadores estándar actuales (como el algoritmo Sen2Cor de la ESA) cometen graves errores ópticos: confunden habitualmente el agua oscura profunda del mar con sombras de nubes, y la nieve de los Pirineos con nubosidad espesa. Este TFB soluciona este problema mediante un modelo único de Inteligencia Artificial adaptativa (robusto a la orografía), centrándose en una zona concreta: Cataluña.
• Valor aportado y Alineación Estratégica: Al crear un modelo regional robusto enfocado concretamente en Cataluña, integrando variables físicas y de relieve, se elimina la generalización estadística global de los procesadores estándar. La misma metodología escalable se podrá aplicar en el futuro a los nuevos satélites catalanes.
• Códigos UNESCO:
  • 1207.94 (Aprendizaje automático): Justificado por el entrenamiento de un modelo de Deep Learning (Redes Neuronales U-Net) para la segmentación semántica de imágenes satelitales.
  • 1203.93 (Cloud Computing): Aplicado en el diseño y despliegue del entorno escalable (pipeline geoespacial) y la infraestructura de procesamiento online.
  • 1203.96 (Bases de Datos): Requerido para la orquestación y estructuración de la arquitectura orientada a la nube mediante formatos optimizados (Cloud Optimized GeoTIFF y PMTiles).
• Objetivos de Desarrollo Sostenible (ODS):
  • ODS 9 (Industria, Innovación e Infraestructura): El proyecto construye una infraestructura tecnológica geoespacial innovadora que mejora las capacidades de procesamiento y análisis de datos de la industria satelital.
  • ODS 13 (Acción por el clima): La monitorización precisa de la superficie terrestre (diferenciando de forma fiable la nieve de la nubosidad) proporciona datos limpios y veraces, fundamentales para evaluar el impacto del cambio climático y la gestión de recursos hídricos en Cataluña.

4. Propuesta de índice de TFB

1. Introducción, contextualización y objetivos.
2. Fundamentación teórica.
3. Metodología aplicada y justificación de resultados.
4. Análisis, interpretación y discusión.
5. Conclusiones y aportaciones.
6. Trabajo futuro.
7. Referencias bibliográficas y citas.

5. Alcance previo

• Alcance positivo (Qué se hará): Desarrollo de una plataforma Web GIS interactiva. Diseño de una arquitectura Cloud y pipeline de datos geoespaciales. Extracción de series temporales Copernicus Sentinel-2 (órbitas R008 y R051) sobre Cataluña. Entrenamiento de una red neuronal de segmentación semántica (Deep Learning) integrando datos satelitales y topográficos. Pruebas de validación empírica en zonas conflictivas (Pirineos y costa).
• Alcance negativo (Qué NO se hará): No se desarrollarán modelos para predecir el clima o el movimiento de las nubes en el futuro. Tampoco se utilizarán otras constelaciones de satélites (como Sentinel-1 radar o Landsat) ajenas a Sentinel-2. El objetivo es puramente de segmentación binaria espacial (nube/no-nube). Solo es aplicable a Cataluña.

6. Competencias que desarrollar

7. Listado de datos necesarios

8. Análisis de riesgos

• Riesgo: Cuellos de botella en la memoria computacional (Out of Memory - OOM) al entrenar redes neuronales con imágenes satelitales gigantescas (10980x10980 px).
  • Mitigación: Se diseñará e implementará una fase estricta de Tiling para trocear las imágenes en parches matemáticos de 512x512 píxeles antes de introducirlos a la red neuronal.

9. Planificación y cronograma de trabajo

Fase 1: Planificación y Propuesta Inicial (25/05/2026 – 28/06/2026)

• T1.1. Asistencia a Videoconferencia de planificación (25/05 - 31/05) y 1ª Tutoría (01/06 - 21/06).
• T1.2. Fundamentación teórica y definición de la arquitectura de infraestructura tecnológica (Obj. 5).
• T1.3. Análisis inicial y evaluación de las fuentes de datos satelitales para los procesos ETL (Obj. 1).
• T1.4. Redactar Entregable 1: PROPUESTA INICIAL (22/06 - 28/06).

Fase 2: Infraestructura, ETL y Metodología (29/06/2026 – 26/07/2026)

• T2.1. 2ª Tutoría (29/06 - 19/07).
• T2.2. Construcción de la infraestructura: repositorio, servidor online, prácticas DevOps y Web (Obj. 5).
• T2.3. Extracción y armonización de Copernicus Sentinel-2 mediante el desarrollo de procesos ETL (Obj. 1).
• T2.4. Diseño de la arquitectura de base de datos en la nube basada en formatos COG y PMTiles (Obj. 2).
• T2.5. Redactar Entregable 2: DESARROLLO DEL MARCO TEÓRICO Y METODOLOGÍA (60% del avance) (20/07 - 26/07).

Fase 3: Entrenamiento Machine Learning y Evaluación (27/07/2026 – 06/09/2026)

• T3.1. 3ª Tutoría (27/07 - 30/08).
• T3.2. Entrenamiento de la red neuronal convolucional (tipo U-Net) integrando DEM y bandas infrarrojas (Obj. 3).
• T3.3. Evaluación empírica de falsos positivos en los Pirineos y masas de agua profunda frente a Sen2Cor (Obj. 4).
• T3.4. Integración de la visualización on the fly en el frontend de la plataforma web interactiva.
• T3.5. Documentación Entregable 3: ENTREGA COMPLETA DEL TFT (100% del avance) (31/08 - 06/09).

Fase 4: Revisión, Depósito Final y Defensa (14/09/2026 – 25/10/2026)

• T4.1. Redactar Entregable 4: DEPÓSITO FINAL EN 1ª DEFENSA (14/09 - 20/09).
• T4.2. Asistencia a Videoconferencia informativa sobre defensas (28/09 - 04/11).
• T4.3. Síntesis visual y generación de presentación (Entrega material de defensa: 05/10 - 11/10).
• T4.4. Preparación de material interactivo de mapas web para la exposición oral.
• T4.5. Primera defensa ante Tribunal (12/10 - 25/10).

Resumen del Cronograma

9.1 Diagrama de Gantt

10. Bibliografía

• Baetens, L., Desjardins, C., & Hagolle, O. (2019). Validation of Copernicus Sentinel-2 Cloud Masks Obtained from MAJA, Sen2Cor, and FMask Processors Using Reference Cloud Masks Generated with a Supervised Active Learning Procedure. Remote Sensing, 11(4), 433. https://doi.org/10.3390/rs11040433
• European Space Agency [ESA]. (2026). Copernicus Open Access Hub - Sentinel-2 Data Access. Recuperado el 25 de junio de 2026, de https://scihub.copernicus.eu/
• Hollstein, A., Segl, K., Guanter, L., Kneubühler, M., & Legleiter, C. (2016). Ready-to-Use Methods for the Detection of Clouds, Cirrus, Snow, Shadow, Water and Clear Sky Pixels in Sentinel-2 MSI Images. Remote Sensing, 8(8), 666. https://doi.org/10.3390/rs8080666
• Institut Cartogràfic i Geològic de Catalunya [ICGC]. (2026). Models d'Elevacions del Terreny de Catalunya. Recuperado el 25 de junio de 2026, de https://www.icgc.cat/
• Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
• Wieland, M., Li, Y., & Martinis, S. (2019). Multi-sensor cloud and cloud shadow segmentation with a convolutional neural network. Remote Sensing of Environment, 230, 111203. https://doi.org/10.1016/j.rse.2019.05.022

4. Entrega 2: DESARROLLO DEL MARCO TEÓRICO Y METODOLOGÍA (60% del avance)

Contenido pendiente...

5. Entrega 3: ENTREGA COMPLETA DEL TFT (100% del avance)

Contenido pendiente...

6. Entrega 4: DEPÓSITO FINAL EN 1a DEFENSA

Contenido pendiente...

7. Entrega ppt defensa

Contenido pendiente...

8. Primera defensa

Contenido pendiente...