GeoIA · Proyectos de Guillermo S. Fuentes Jaque

Mostrando los 11 proyectos

Aprendizaje profundo y clasificación

4 proyectos

Incluye líneas exploratorias con repositorios privados, marcadas como I+D en curso.

Vista previa de CloudGap-UNet Sentinel-2

Experimental

01prototipo

CloudGap-UNet Sentinel-2

Red U-Net que reconstruye el NDVI oculto por nubes, con R² de 0,93 en datos de prueba sintéticos.

R² 0,93
Datos sintéticos
PyTorch

Python
PyTorch
U-Net
Sentinel-2
NDVI

Sin enlace público

Detalle de CloudGap-UNet Sentinel-2: problema, solución y resultado

Problema: Las nubes y sus sombras dejan vacíos en las imágenes ópticas de Sentinel-2 y cortan la continuidad del monitoreo.
Solución: Prototipo en PyTorch: una U-Net liviana aprende a reconstruir el NDVI a partir de las bandas, la imagen degradada y una máscara de nubes sintética, de modo que el error se mide contra el valor real oculto.
Resultado: Sobre los píxeles ocultos del conjunto de prueba: R² 0,93, MAE 0,041 y RMSE 0,053. Primera versión validada con datos sintéticos; falta probarla con escenas reales.

Imagen representativa del proyecto geoai-landuse-change

I+D en curso

02en curso

geoai-landuse-change

Detección de cambios de uso de suelo con Sentinel-2.

Python
STAC
Rasterio
Xarray
Scikit-learn
Parquet

Sin enlace público

Detalle de geoai-landuse-change: problema, solución y resultado

Problema: Detectar cambios de uso y cobertura del suelo a gran escala con imágenes Sentinel-2.
Solución: Pipeline por etapas: catálogo STAC, preprocesamiento, división espacial en teselas, ingeniería de variables, entrenamiento, inferencia y detección de cambios.
Resultado: En desarrollo.

Imagen representativa del proyecto urban-embedding-santiago

I+D en curso

03en curso

urban-embedding-santiago

Tejido urbano de Santiago con modelos fundacionales.

Google Earth Engine
AlphaEarth Foundations
Clasificación supervisada

Sin enlace público

Detalle de urban-embedding-santiago: problema, solución y resultado

Problema: Estudiar la expansión y densificación urbana de Santiago con modelos fundacionales geoespaciales.
Solución: Clasificación supervisada de tipologías de tejido urbano con representaciones satelitales de AlphaEarth Foundations en Google Earth Engine, con Dynamic World como línea base.
Resultado: En desarrollo.

Imagen representativa del proyecto CanopySAR

I+D en curso

04piloto interno de ICTA

CanopySAR

Fusión de radar e imágenes ópticas para vegetación.

Sentinel-1
Sentinel-2
ESA SNAP
Random Forest
SVM

Sin enlace público

Detalle de CanopySAR: problema, solución y resultado

Problema: La nubosidad limita el monitoreo óptico de la vegetación mediterránea.
Solución: Fusión de radar Sentinel-1 e imágenes ópticas Sentinel-2, con clasificación Random Forest y SVM y validación espacial.
Resultado: Piloto en desarrollo.

Series satelitales y modelamiento espacial

3 proyectos

Vista previa de Desierto Florido en la cuenca del Huasco

Proyecto propio

052026

Desierto Florido en la cuenca del Huasco

Detección de eventos de Desierto Florido con series de NDVI satelital de 2000 a 2026.

MODIS a 250 m
2000–2026
Google Earth Engine

Python
Google Earth Engine
MODIS
NDVI
Colab

Sitio Código

Detalle de Desierto Florido en la cuenca del Huasco: problema, solución y resultado

Problema: El Desierto Florido es un fenómeno efímero y difícil de cuantificar: no hay un registro sistemático de cuándo y dónde ocurre en la cuenca del río Huasco.
Solución: Flujo reproducible con la API de Python de Google Earth Engine: climatología de NDVI en intervalos de 16 días, anomalías respecto de esa climatología y una regla de detección (NDVI mayor a 0,20 y anomalía mayor a 0,02), con cartografía de la cuenca.
Resultado: Serie de eventos de floración 2000–2026 a 250 m de resolución (MODIS MOD13Q1), con cuaderno ejecutable en Colab y sitio publicado.

Proyecto propio

062026

MODIS · Murcia

Sitio de datos y visor del método para estimar la temperatura del aire a 250 m con imágenes MODIS.

MODIS
GWR
STAC
GeoTIFF optimizado
Parquet

Sitio Artículo

Detalle de MODIS · Murcia: problema, solución y resultado

Problema: Las estaciones meteorológicas no bastan para conocer la temperatura del aire en todo el territorio.
Solución: Método publicado en Revista de Teledetección (2023): control de calidad y homogenización de 47 estaciones, y regresión geográficamente ponderada entre la temperatura de superficie MODIS y la del aire, a 250 m. El sitio entrega los datos como GeoTIFF optimizado con catálogo STAC.
Resultado: Según el resumen del artículo, R² de 0,69–0,82 para las mínimas y de 0,70–0,87 para las máximas en las 47 estaciones, con errores de 1,0 °C y 0,8 °C. Los mapas publicados en el sitio son una demostración, no los resultados del artículo.

Vista previa de Precipitación de alta resolución en Atacama

Tesis de magíster

072022 · Universidad de Chile

Precipitación de alta resolución en Atacama

Método de reducción de escala que lleva la precipitación mensual de CHIRPS a 250 m, con 9,7 % de error promedio.

CHIRPS V2.0
GWR
Reducción de escala
Homogenización

Sitio Tesis

Detalle de Precipitación de alta resolución en Atacama: problema, solución y resultado

Problema: El desierto de Atacama tiene muy pocas estaciones, y los productos satelitales de precipitación son demasiado gruesos para estudiar procesos locales.
Solución: Homogenización y relleno de series mensuales de 199 estaciones, corrección regional de CHIRPS V2.0 y reducción de escala con regresión geográficamente ponderada.
Resultado: Grillas mensuales de precipitación a 250 m para 2001–2020, con error promedio de 9,7 % y mejor desempeño que CHIRPS, ANUSPLIN y CR2MET, según el resumen de la tesis.

Plataformas y software para datos satelitales

4 proyectos

Fotograma del video de presentación de WST Explorer

Proyecto de título

082026 · Ingeniería Civil Informática, USS

WST Explorer

Plataforma web para consultar temperatura de lagos desde datos satelitales, con 632 pruebas automatizadas. Mira el video de presentación.

632 pruebas
0,22 s de respuesta

Python
Flask
Xarray
Leaflet
Plotly
pytest
Playwright

Sin enlace público

Detalle de WST Explorer: problema, solución y resultado

Problema: Los datos satelitales de temperatura superficial de lagos son difíciles de consultar para quien no es especialista en teledetección.
Solución: Plataforma web con servidor en Flask, Xarray y las API de Copernicus; mapa con Leaflet y gráficos con Plotly; autenticación con roles. Desarrollada con el Laboratorio EARTH.
Resultado: Prototipo de uso local, sin despliegue público. 632 pruebas automatizadas con pytest y Playwright, tiempo de respuesta de 0,22 s, requisitos según ISO/IEC/IEEE 29148 y registros de decisiones de arquitectura.

Proyecto propio

092026 · licencia MIT

tempify

Librería de Python con 330 pruebas automatizadas, 7 versiones y DOI.

Python
CLI
pytest
ADR
Zenodo

Documentación Código DOI

Detalle de tempify: problema, solución y resultado

Problema: Los productos climáticos de alta resolución se distribuyen por mes, pero muchos procesos ambientales necesitan valores diarios.
Solución: Librería de Python con interfaz de línea de comandos que convierte series ráster mensuales en diarias conservando la media mensual. Arquitectura por capas, documentación y tutoriales con datos reales de WorldClim.
Resultado: 330 pruebas automatizadas, 17 registros de decisiones de arquitectura, 7 versiones publicadas y DOI en Zenodo.

Proyecto propio

10paquete de R

spEnviroDistr

Paquete de R para regresión geográficamente ponderada en paralelo.

R
GWR
Procesamiento paralelo

Documentación Código

Detalle de spEnviroDistr: problema, solución y resultado

Problema: Estimar variables ambientales en lugares sin medición a partir de predictores espaciales.
Solución: Paquete con regresión geográficamente ponderada en paralelo, reducción de escala espacial, relleno de vacíos en ráster y preparación de predictores. Nació de trabajos con CITRA, Universidad de Talca.
Resultado: Paquete documentado y público.

Producto de ICTA

112026

ARTEMIS

Boletines territoriales periódicos con indicadores, alertas y tableros.

Teledetección
ERA5
Indicadores
Tableros
Boletines

Sitio

Detalle de ARTEMIS: problema, solución y resultado

Problema: Quienes gestionan predios, cuencas o comunas necesitan seguimiento periódico del clima y la vegetación, sin procesar ellos mismos los datos satelitales.
Solución: Plataforma de inteligencia territorial que integra MODIS, ERA5, estaciones de la DMC, pronósticos ECMWF SEAS5 y proyecciones ARClim en boletines periódicos, con seis módulos: monitoreo, boletines, alertas por umbral, tableros, clima y agua.
Resultado: Boletín de prueba real para la cuenca del Maipo (enero de 2026), con indicadores frente a líneas base históricas. Se ofrece como servicio de ICTA.