{"id":33855,"date":"2024-09-25T12:16:43","date_gmt":"2024-09-25T09:16:43","guid":{"rendered":"https:\/\/stage.cactus-now.com\/noticias-de-cactus\/earth-observation-for-power-lines-innovation-safety\/"},"modified":"2026-06-01T17:11:21","modified_gmt":"2026-06-01T14:11:21","slug":"observacion-de-la-tierra-para-lineas-electricas-innovacion-y-seguridad","status":"publish","type":"post","link":"https:\/\/stage.cactus-now.com\/es\/noticias-de-cactus\/observacion-de-la-tierra-para-lineas-electricas-innovacion-y-seguridad\/","title":{"rendered":"Observaci\u00f3n de la Tierra para L\u00edneas El\u00e9ctricas: Innovaci\u00f3n y Seguridad"},"content":{"rendered":"<figure class=\"wp-block-image size-full\"><img fetchpriority=\"high\" decoding=\"async\" width=\"580\" height=\"533\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240902-091240.png\" alt=\" class=\"wp-image-24786\"\/><\/figure>\n\n\n<p><em>Para ambas im\u00e1genes, podemos ver las predicciones de YOLO. Cada caja roja indica la presencia de un \u00e1rbol seguida de la certeza de su predicci\u00f3n (valor de 0 a 1, como probabilidad)<\/em>.<\/p>\n\n<h3 class=\"wp-block-heading\"><strong>5. C\u00e1lculo de altura y estimaci\u00f3n de umbral<\/strong><\/h3>\n\n<p>En este paso, recopilamos la informaci\u00f3n procesada por los m\u00f3dulos anteriores para primero calcular el vector de direcci\u00f3n de la sombra, que es consistente para todos los \u00e1rboles en la imagen. A continuaci\u00f3n, determinamos el punto m\u00e1s lejano identificado como sombra por nuestro modelo ResNet que corresponde al \u00e1rbol que estamos analizando.<\/p>\n\n<p>Esto se logra aprovechando los datos de la caja delimitadora del modelo YOLO. Comenzamos calculando la caja que define la l\u00ednea diagonal del \u00e1rbol. Para cada punto a lo largo de esta diagonal, trazamos una l\u00ednea siguiendo la direcci\u00f3n de la sombra. Extendemos la l\u00ednea hasta que intersecte un punto que est\u00e9 clasificado como algo que no sea una sombra, marcando esta posici\u00f3n. Este proceso ayuda a identificar el punto m\u00e1s lejano de la sombra del \u00e1rbol, contribuyendo a mediciones m\u00e1s precisas de su extensi\u00f3n e impacto potencial en la infraestructura cercana.<\/p>\n\n<p>Despu\u00e9s de completar este proceso, tendremos una lista de coordenadas que representan los puntos m\u00e1s lejanos de la sombra del \u00e1rbol. De esta lista, simplemente seleccionamos la coordenada que maximiza la distancia desde el centroide del \u00e1rbol. Dependiendo del \u00e1rea geogr\u00e1fica y el tipo de \u00e1rboles comunes en la regi\u00f3n, podemos ajustar este m\u00e9todo para usar <a href=\"https:\/\/numerics.mathdotnet.com\/Distance\">diferentes m\u00e9tricas de distancia<\/a>, optimizando la precisi\u00f3n para condiciones ambientales espec\u00edficas. Este paso asegura que tengamos en cuenta el alcance m\u00e1ximo potencial de la sombra del \u00e1rbol, mejorando la precisi\u00f3n de nuestra evaluaci\u00f3n de riesgo de la vegetaci\u00f3n.<\/p>\n\n<p>Finalmente, con la longitud de la sombra determinada, podemos convertirla a metros utilizando la informaci\u00f3n de los metadatos de la imagen para calcular la altura real del \u00e1rbol. Esto se puede hacer usando la f\u00f3rmula:<\/p>\n\n<p><strong>H = L&#8217; * tan(\u03b8)<\/strong>, donde <strong>H<\/strong> representa la altura del \u00e1rbol, <strong>L&#8217;<\/strong> es la longitud de la sombra y <strong>\u03b8<\/strong> es el \u00e1ngulo de elevaci\u00f3n del Sol.<\/p>\n\n<p>Dado que estamos monitoreando sistemas de cables, es esencial considerar que los cables forman una <a href=\"https:\/\/en.wikipedia.org\/wiki\/Catenary\">curva catenaria<\/a>. Esta curva hace que los cables se comben entre las torres de soporte, con el punto m\u00e1s bajo t\u00edpicamente ubicado cerca del centro del vano. Para garantizar una distancia segura entre los cables y la vegetaci\u00f3n circundante, podemos calcular la altura en el punto m\u00e1s bajo del cable y compararla con las alturas de los \u00e1rboles cercanos. Por ejemplo, podemos establecer un umbral, como verificar si la altura de alg\u00fan \u00e1rbol supera el 70% de la altura m\u00e1s baja del cable.<\/p>\n\n<p>Monitorear las alturas de los \u00e1rboles es crucial para la gesti\u00f3n efectiva de los sistemas de cables el\u00e9ctricos. Al medir con precisi\u00f3n las alturas de los \u00e1rboles, las empresas de servicios p\u00fablicos pueden garantizar que la vegetaci\u00f3n permanezca dentro de las zonas de seguridad alrededor de las l\u00edneas el\u00e9ctricas, ayudando a prevenir posibles cortes de energ\u00eda y peligros de seguridad causados por el contacto con la infraestructura.<\/p>\n\n<h2 class=\"wp-block-heading\"><strong>Conclusi\u00f3n<\/strong><\/h2>\n\n<p>Los resultados prometedores de las pruebas iniciales de nuestra aplicaci\u00f3n TreeSight validan la efectividad de nuestro enfoque. Estamos avanzando constantemente hacia la finalizaci\u00f3n de la industrializaci\u00f3n de la aplicaci\u00f3n en un futuro cercano. Hemos identificado varios aspectos en diferentes \u00e1reas para desarrollar a\u00fan m\u00e1s nuestra aplicaci\u00f3n, incluyendo:<\/p>\n\n<ul class=\"wp-block-list\">\n<li><strong>Filtro NDVI en intervalo de tiempo<\/strong>: Implementar el filtro NDVI en diferentes fechas nos permite monitorear los cambios en la vegetaci\u00f3n a lo largo del tiempo e interpolar su tasa de crecimiento. Al rastrear estas variaciones, podemos predecir mejor la rapidez con la que la vegetaci\u00f3n se acerca a infraestructuras cr\u00edticas, permitiendo una gesti\u00f3n m\u00e1s proactiva e intervenciones oportunas.<\/li>\n\n<li><strong>M\u00e1s datos<\/strong>: La disponibilidad de datos sigue siendo un desaf\u00edo, pero aumentar el n\u00famero de im\u00e1genes, tanto mediante aumentaci\u00f3n de datos como la recopilaci\u00f3n de datos reales, mejorar\u00eda significativamente la precisi\u00f3n de las predicciones de nuestro modelo. Ampliar el conjunto de datos permitir\u00eda a las redes neuronales aprender de manera m\u00e1s efectiva, lo que resultar\u00eda en resultados m\u00e1s precisos y fiables.<\/li>\n\n<li><strong>Elevaci\u00f3n del terreno: <\/strong> Integrar datos topogr\u00e1ficos que proporcionen informaci\u00f3n precisa sobre la elevaci\u00f3n del terreno al medir sombras puede reducir significativamente los errores, especialmente en terrenos irregulares o monta\u00f1osos. Estos datos adicionales ayudan a tener en cuenta los cambios de elevaci\u00f3n, lo que lleva a c\u00e1lculos de altura m\u00e1s precisos y mejora la precisi\u00f3n general en el monitoreo de la vegetaci\u00f3n.<\/li>\n\n<li><strong>Diferentes modelos\/enfoques<\/strong>: Como se detall\u00f3 anteriormente, primero realizamos una segmentaci\u00f3n sem\u00e1ntica para asignar cada p\u00edxel a una clase determinada. Para el c\u00e1lculo de la sombra de cada \u00e1rbol, necesitamos conocer la ubicaci\u00f3n de cada \u00e1rbol en la imagen, de ah\u00ed la detecci\u00f3n de objetos utilizando YOLO. Elegimos este enfoque porque ya ten\u00edamos disponible el pipeline de entrenamiento y el modelo para la segmentaci\u00f3n sem\u00e1ntica. Otro enfoque para lograr un resultado similar podr\u00eda ser configurar una segmentaci\u00f3n pan\u00f3ptica utilizando, por ejemplo, <a href=\"https:\/\/github.com\/facebookresearch\/detectron2\" target=\"_blank\" rel=\"noreferrer noopener\">Detectron2<\/a>.<\/li>\n<\/ul>\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n<p><strong>TreeSight<\/strong> demuestra el potencial significativo de aplicar tecnolog\u00edas avanzadas para abordar desaf\u00edos complejos relacionados con infraestructuras cr\u00edticas, aprovechando los <strong>datos de Observaci\u00f3n de la Tierra<\/strong> y algoritmos de vanguardia. Su capacidad para analizar vastos conjuntos de datos con precisi\u00f3n no solo mejora la eficiencia operativa, sino que tambi\u00e9n mejora la seguridad y fiabilidad en la gesti\u00f3n de infraestructuras. Esto destaca el papel transformador que la tecnolog\u00eda puede desempe\u00f1ar en la resoluci\u00f3n de problemas complejos a gran escala en sectores cr\u00edticos.<\/p>\n\n<h2 class=\"wp-block-heading\"><strong>Sobre Cactus<\/strong><\/h2>\n\n<p>El equipo de Cactai, un equipo apasionado por el espacio, est\u00e1 listo para explorar m\u00e1s a fondo su caso de uso y adaptar una soluci\u00f3n basada en EO para satisfacer sus necesidades espec\u00edficas. Ya sea que busque optimizar procesos, integrar tecnolog\u00edas avanzadas o innovar dentro de su industria, estamos aqu\u00ed para colaborar con usted en cada paso del camino. Nuestro objetivo es garantizar que sus objetivos se cumplan con precisi\u00f3n y excelencia, proporcionando la experiencia y el apoyo necesarios para alcanzar el \u00e9xito.<\/p><p>Como describimos en nuestro <a href=\"https:\/\/stage.cactus-now.com\/cactus-news\/remote-sensing-earth-observation-applications\/\" target=\"_blank\" rel=\"noreferrer noopener\">art\u00edculo anterior<\/a>, la Observaci\u00f3n de la Tierra (EO) es una tecnolog\u00eda clave en constante evoluci\u00f3n que re\u00fane, recopila y extrae informaci\u00f3n valiosa y procesable de im\u00e1genes de la superficie terrestre tomadas por sat\u00e9lites que orbitan a cientos de kil\u00f3metros. En esta nota t\u00e9cnica, detallaremos c\u00f3mo el equipo de Cactus ha dise\u00f1ado y desarrollado una soluci\u00f3n para monitorear l\u00edneas el\u00e9ctricas utilizando datos de EO. En esta nota t\u00e9cnica colaborativa, nuestros colegas Alejandro Trujillo, Ingeniero de IA, Torsten Reidt, Ingeniero L\u00edder de IA, y Jos\u00e9 Laffitte, Director de Ingenier\u00eda de Cactus, ofrecen informaci\u00f3n sobre los obst\u00e1culos y las soluciones encontradas en el camino. Nuestro enfoque innovador aprovecha tecnolog\u00edas avanzadas de Observaci\u00f3n de la Tierra para gestionar eficazmente los riesgos de la vegetaci\u00f3n, mejorar la seguridad y garantizar la fiabilidad de la infraestructura energ\u00e9tica.<\/p>\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n<div style=\"height:50px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n<h2 class=\"wp-block-heading\"><strong>C\u00f3mo utiliza Cactus los datos de EO para monitorear infraestructuras<\/strong><\/h2>\n\n<p>En Cactus, hemos dise\u00f1ado una herramienta llamada TreeSight que, al alimentarse con im\u00e1genes satelitales, permite monitorear infraestructuras cr\u00edticas como las l\u00edneas el\u00e9ctricas.<\/p>\n\n<h3 class=\"wp-block-heading\">El Desaf\u00edo<\/h3>\n\n<p>La <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/S0378779612002155\">vegetaci\u00f3n cerca de las l\u00edneas el\u00e9ctricas plantea importantes riesgos de seguridad<\/a>, incluyendo el riesgo de cortes de energ\u00eda, incendios y peligros el\u00e9ctricos\/de seguridad.<\/p>\n\n<p>Gestionar estos riesgos a menudo requiere la poda o eliminaci\u00f3n de \u00e1rboles, lo que puede generar conflictos por preocupaciones ambientales y est\u00e9ticas. Las empresas energ\u00e9ticas deben equilibrar el mantenimiento de un suministro el\u00e9ctrico fiable con el cumplimiento de las regulaciones y las expectativas de la comunidad, especialmente a medida que el cambio clim\u00e1tico aumenta la frecuencia de eventos clim\u00e1ticos severos. Los mecanismos m\u00e1s comunes para monitorear las l\u00edneas el\u00e9ctricas en la actualidad implican el uso de helic\u00f3pteros y drones equipados con <a href=\"https:\/\/en.wikipedia.org\/wiki\/Lidar\">tecnolog\u00eda LiDAR<\/a>. Si bien estos m\u00e9todos ofrecen capacidades avanzadas para capturar datos topogr\u00e1ficos detallados e identificar problemas potenciales como la invasi\u00f3n de vegetaci\u00f3n o da\u00f1os estructurales, tambi\u00e9n conllevan desaf\u00edos significativos. Si bien el LiDAR es efectivo, es costoso y log\u00edsticamente complicado. Las inspecciones con helic\u00f3ptero son caras debido a los costos asociados con la operaci\u00f3n de la aeronave, el combustible y la tripulaci\u00f3n. Tambi\u00e9n ofrecen una cobertura limitada, requiriendo m\u00faltiples vuelos para cubrir redes extensas, lo que puede verse obstaculizado por las condiciones clim\u00e1ticas y el terreno dif\u00edcil; de hecho, en la <a href=\"https:\/\/www.europasur.es\/campo-de-gibraltar\/helicoptero-endesa-revisa-lineas-electricas-provincia_0_2000709820.html\">campa\u00f1a de verano de 2024, Endesa<\/a> gast\u00f3 2,5 millones de euros solo en monitorear la infraestructura de cable el\u00e9ctrico en C\u00e1diz, ascendiendo a unos 26 millones para Andaluc\u00eda en su conjunto.<\/p>\n\n<p>Adicionalmente, la necesidad de operadores cualificados y los riesgos potenciales de volar sobre terrenos dif\u00edciles o \u00e1reas pobladas complican a\u00fan m\u00e1s la implementaci\u00f3n. Estos factores destacan la necesidad de soluciones de monitoreo m\u00e1s rentables y escalables en la industria el\u00e9ctrica.<\/p>\n\n<p>Las inspecciones terrestres, que implican que equipos inspeccionen las l\u00edneas el\u00e9ctricas a pie o en veh\u00edculo, requieren mucha mano de obra y plantean riesgos de seguridad para los inspectores.<\/p>\n\n<p>Los sat\u00e9lites presentan una alternativa convincente al ofrecer una soluci\u00f3n m\u00e1s rentable y escalable para monitorear l\u00edneas el\u00e9ctricas. A diferencia de los helic\u00f3pteros, los sat\u00e9lites pueden cubrir vastas \u00e1reas en una sola pasada, reduciendo significativamente los costos operativos. Una vez en \u00f3rbita, proporcionan una recopilaci\u00f3n continua de datos sin necesidad de costosas operaciones a\u00e9reas continuas. Los sat\u00e9lites equipados con sensores \u00f3pticos de alta resoluci\u00f3n pueden capturar im\u00e1genes detalladas de las l\u00edneas el\u00e9ctricas, permitiendo la detecci\u00f3n de problemas como la invasi\u00f3n de vegetaci\u00f3n o da\u00f1os estructurales. Adem\u00e1s, el Radar de Apertura Sint\u00e9tica (SAR) en los sat\u00e9lites puede detectar desplazamientos del suelo y cambios, ayudando a identificar problemas potenciales con los soportes de las l\u00edneas el\u00e9ctricas o la infraestructura.<\/p>\n\n<p>Se han explorado varias soluciones para abordar este problema, pero se enfrentan a desaf\u00edos como la resoluci\u00f3n de imagen insuficiente (que requiere &lt; 5 metros) o la falta de precisi\u00f3n en las predicciones. Algunas de estas alternativas implican procesar vastas cantidades de im\u00e1genes satelitales (por ejemplo, Sentinel-2) y correlacionar sus patrones de brillo en los p\u00edxeles con las mediciones tomadas a trav\u00e9s de LiDAR. El algoritmo luego aprende a asociar ciertos patrones texturales y espectrales en las im\u00e1genes con alturas espec\u00edficas del dosel vegetal. Una vez entrenado, el modelo se basa \u00fanicamente en im\u00e1genes \u00f3pticas para estimar la altura del dosel.<\/p>\n\n<p>Nuestra soluci\u00f3n, llamada <strong>TreeSight<\/strong>, adopta un enfoque diferente y garantiza la escalabilidad y precisi\u00f3n de la aplicaci\u00f3n manteniendo la alta fiabilidad de la informaci\u00f3n.<\/p>\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n<figure class=\"wp-block-image aligncenter size-large is-resized\"><img decoding=\"async\" width=\"1024\" height=\"310\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/TS_1pbc@2x-1024x310.png\" alt=\" class=\"wp-image-24811\" style=\"width:450px\" srcset=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/TS_1pbc@2x-1024x310.png 1024w, https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/TS_1pbc@2x-768x233.png 768w, https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/TS_1pbc@2x.png 1320w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n<h3 class=\"wp-block-heading\">Nuestra soluci\u00f3n: <strong>TreeSight<\/strong><\/h3>\n\n<p>Profundicemos en la soluci\u00f3n que nuestro equipo de expertos ha dise\u00f1ado y desarrollado para resolver el desaf\u00edo: Hemos seleccionado los sat\u00e9lites <a href=\"https:\/\/earth.esa.int\/eogateway\/missions\/pleiades\" target=\"_blank\" rel=\"noreferrer noopener\">Pleiades<\/a> para proporcionar las im\u00e1genes que estamos utilizando en nuestro an\u00e1lisis. Uno de los criterios principales es su alta resoluci\u00f3n, que alcanza los 0,5 metros por p\u00edxel, aunque algunos sat\u00e9lites lanzados recientemente prometen mejorarlo a\u00fan m\u00e1s, como el <a href=\"https:\/\/defence-industry-space.ec.europa.eu\/we-have-launch-date-copernicus-sentinel-2c-2024-07-31_en?prefLang=sl\" target=\"_blank\" rel=\"noreferrer noopener\">Sentinel 2c<\/a>.<\/p>\n\n<p><strong>TreeSight<\/strong> procesa datos satelitales para calcular el \u00edndice NDVI de una regi\u00f3n determinada, que se utiliza para detectar la presencia de \u00e1rboles. Luego determina tres par\u00e1metros clave: la posici\u00f3n del \u00e1rbol, la longitud de la sombra y el vector de direcci\u00f3n. Al incorporar la hora exacta en que se captur\u00f3 la imagen y considerar factores como la regi\u00f3n en estudio, nuestro software estima indicadores cr\u00edticos para evaluar si existe un riesgo potencial (el riesgo se refiere a la amenaza que representa la vegetaci\u00f3n, como los \u00e1rboles, al crecer demasiado cerca de las l\u00edneas el\u00e9ctricas) en un \u00e1rea determinada. Al cotejar estos datos con las ubicaciones de las l\u00edneas el\u00e9ctricas, los operadores pueden identificar \u00e1reas espec\u00edficas que requieren mantenimiento para mitigar los riesgos relacionados con la vegetaci\u00f3n.<\/p>\n\n<p>Desde una perspectiva arquitect\u00f3nica, nuestra aplicaci\u00f3n est\u00e1 organizada en m\u00faltiples m\u00f3dulos, como se ilustra en la siguiente figura. Cada m\u00f3dulo est\u00e1 dise\u00f1ado para manejar funciones espec\u00edficas, asegurando que el sistema sea escalable y eficiente. Este enfoque modular permite una mejor gesti\u00f3n, desarrollo y mantenimiento, facilitando actualizaciones e integraci\u00f3n de nuevas funcionalidades seg\u00fan sea necesario. Al segmentar la aplicaci\u00f3n en componentes distintos, podemos optimizar el rendimiento y garantizar que cada m\u00f3dulo opere de forma independiente, contribuyendo a la fiabilidad y flexibilidad general del sistema.<\/p>\n\n<figure class=\"wp-block-image aligncenter size-full\"><img decoding=\"async\" width=\"809\" height=\"272\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/grafico.png\" alt=\" class=\"wp-image-24764\" srcset=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/grafico.png 809w, https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/grafico-768x258.png 768w\" sizes=\"(max-width: 809px) 100vw, 809px\" \/><figcaption class=\"wp-element-caption\"><em>Diagrama representativo de la arquitectura del algoritmo<\/em><\/figcaption><\/figure>\n\n<p>Centr\u00e9monos ahora en cada uno de los m\u00f3dulos principales representados arriba:<\/p>\n\n<h3 class=\"wp-block-heading\" id=\"1.-Normalized-Difference-Vegetation-Index---NVDI\"><strong>1. \u00cdndice de Vegetaci\u00f3n de Diferencia Normalizada &#8211; NDVI<\/strong><\/h3>\n\n<p>El <a href=\"https:\/\/www.sciencedirect.com\/topics\/earth-and-planetary-sciences\/normalized-difference-vegetation-index\" target=\"_blank\" rel=\"noreferrer noopener\">mapeo NDVI<\/a> es una t\u00e9cnica poderosa utilizada en EO para evaluar y monitorear la salud y cobertura de la vegetaci\u00f3n. El NDVI es un \u00edndice de teledetecci\u00f3n derivado de im\u00e1genes satelitales que mide la salud y densidad de la vegetaci\u00f3n. Se calcula utilizando los valores de reflectancia de 2 bandas espectrales espec\u00edficas, la banda del infrarrojo cercano y la banda roja, la primera porque la vegetaci\u00f3n refleja fuertemente la luz infrarroja cercana, y la segunda para cuantificar la absorci\u00f3n de la luz roja durante la fotos\u00edntesis.<\/p>\n\n<p>Este m\u00e9todo es altamente eficiente para identificar vegetaci\u00f3n en vastas \u00e1reas, pero su precisi\u00f3n es insuficiente cuando se trata de monitorear sistemas el\u00e9ctricos. Adem\u00e1s, diferentes especies de plantas emiten niveles variables de radiaci\u00f3n durante la fotos\u00edntesis, lo que dificulta establecer un umbral consistente para detectar posibles colisiones con las l\u00edneas el\u00e9ctricas. Estas limitaciones dificultan su efectividad para evaluar con precisi\u00f3n los riesgos relacionados con la vegetaci\u00f3n para infraestructuras cr\u00edticas.<\/p>\n\n<p>Sin embargo, este m\u00e9todo sigue siendo muy valioso para identificar \u00e1reas libres de vegetaci\u00f3n, lo que nos permite centrarnos en zonas que no requieren inspecci\u00f3n. En este caso, podemos establecer un umbral fiable. Al fijar una constante, podemos excluir con confianza las regiones donde la vegetaci\u00f3n no es lo suficientemente alta como para representar un riesgo para el sistema el\u00e9ctrico. El umbral se calibra para que sea lo suficientemente bajo como para garantizar que no haya \u00e1rboles altos, pero lo suficientemente alto como para eliminar la mayor cantidad de espacio innecesario posible. Esta constante puede variar seg\u00fan la zona geogr\u00e1fica que se est\u00e9 monitoreando y sus condiciones clim\u00e1ticas o ambientales espec\u00edficas, optimizando la eficiencia del proceso de monitoreo.<\/p>\n\n<div class=\"wp-block-columns\">\n<div class=\"wp-block-column\">\n<figure class=\"wp-block-image size-full is-resized\"><img loading=\"lazy\" decoding=\"async\" width=\"466\" height=\"529\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/NDVI-filtering-in-Cubillas.png\" alt=\"Vigilancia de la red el\u00e9ctrica con tecnolog\u00eda satelital\" class=\"wp-image-24766\" style=\"width:auto;height:450px\"\/><figcaption class=\"wp-element-caption\">Filtrado NDVI en <em>Cubillas<\/em><\/figcaption><\/figure>\n<\/div>\n\n<div class=\"wp-block-column\">\n<figure class=\"wp-block-image size-full is-resized\"><img loading=\"lazy\" decoding=\"async\" width=\"581\" height=\"609\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/NDVI-mapping-in-Sierra-Morena.png\" alt=\"Monitoreo de l\u00edneas el\u00e9ctricas mediante Observaci\u00f3n de la Tierra\" class=\"wp-image-24771\" style=\"width:auto;height:450px\"\/><figcaption class=\"wp-element-caption\">Mapeo NDVI en <em>Sierra Morena<\/em><\/figcaption><\/figure>\n<\/div>\n<\/div>\n\n<p><em>En ambas figuras, observamos el sistema de l\u00edneas de cable el\u00e9ctrico. En el mapa de Cubillas, se indica un umbral: las \u00e1reas que pueden excluirse de la inspecci\u00f3n se marcan en naranja, mientras que las que requieren verificaci\u00f3n se muestran en negro. En el mapa de Sierra Morena, vemos el valor promedio de NDVI para cada p\u00edxel junto con el sistema de l\u00edneas de cable rojo. El gradiente de color refleja los valores de NDVI: las \u00e1reas marrones indican valores m\u00e1s cercanos a -1, que representan vegetaci\u00f3n escasa o nula, mientras que las \u00e1reas m\u00e1s verdes indican valores m\u00e1s cercanos a +1, que representan vegetaci\u00f3n m\u00e1s densa.<\/em><\/p>\n\n<h3 class=\"wp-block-heading\"><strong>2. Entrenamiento de una Red Neuronal Residual para detectar sombras y \u00e1rboles<\/strong><\/h3>\n\n<p>Despu\u00e9s de aplicar nuestro filtro NDVI, que descarta una porci\u00f3n significativa del \u00e1rea total, podemos identificar las zonas espec\u00edficas que necesitan una inspecci\u00f3n m\u00e1s detallada. En esta etapa, debemos entrenar nuestra red neuronal para identificar con precisi\u00f3n tanto sombras como \u00e1rboles dentro de estas zonas. Este entrenamiento permitir\u00e1 al sistema distinguir caracter\u00edsticas cr\u00edticas y mejorar la precisi\u00f3n del monitoreo de la vegetaci\u00f3n, asegurando que las \u00e1reas que representan riesgos potenciales para el sistema el\u00e9ctrico sean detectadas y abordadas con precisi\u00f3n.<\/p>\n\n<p>Como se mencion\u00f3 anteriormente, decidimos utilizar im\u00e1genes de los <a href=\"https:\/\/intelligence.airbus.com\/imagery\/our-optical-and-radar-satellite-imagery\/pleiades\/\" target=\"_blank\" rel=\"noreferrer noopener\">sat\u00e9lites Pleiades<\/a>, ya que permiten un bajo tiempo de revisita y una resoluci\u00f3n de imagen muy alta, ambos realmente \u00fatiles para verificar peri\u00f3dicamente c\u00f3mo est\u00e1 creciendo la vegetaci\u00f3n y para ayudar a nuestra red a identificar los \u00e1rboles de una manera m\u00e1s f\u00e1cil.<\/p>\n\n<p>Los sat\u00e9lites Pleiades proporcionan im\u00e1genes <a href=\"https:\/\/up42.com\/blog\/introduction-to-orthorectification#:~:text=Orthorectification%20is%20the%20process%20of,(i.e.%2C%20at%20nadir).\" target=\"_blank\" rel=\"noreferrer noopener\">ortorrectificadas<\/a>, que eliminan el error que podr\u00edamos cometer al no tener en cuenta la posici\u00f3n del sat\u00e9lite. Tambi\u00e9n decidimos utilizar una <a href=\"https:\/\/arxiv.org\/pdf\/1512.03385\" target=\"_blank\" rel=\"noreferrer noopener\">Resnet<\/a>, ya que ha demostrado un rendimiento de vanguardia en tareas de segmentaci\u00f3n de im\u00e1genes. La capacidad de ResNet para manejar eficazmente caracter\u00edsticas de imagen complejas y redes profundas la hace ideal para identificar y segmentar con precisi\u00f3n \u00e1rboles y sombras en nuestro conjunto de datos, mejorando a\u00fan m\u00e1s la precisi\u00f3n de nuestro sistema de monitoreo de vegetaci\u00f3n.<\/p>\n\n<p>El <a href=\"https:\/\/divamgupta.com\/image-segmentation\/2019\/06\/06\/deep-learning-semantic-segmentation-keras.html\" target=\"_blank\" rel=\"noreferrer noopener\">proceso de entrenamiento<\/a> consiste en un gran n\u00famero de im\u00e1genes tomadas por sat\u00e9lites Pleiades en diferentes zonas, y sus <a href=\"https:\/\/labelbox.com\/guides\/image-segmentation\/\" target=\"_blank\" rel=\"noreferrer noopener\">m\u00e1scaras de segmentaci\u00f3n<\/a>, la verdad terreno para sombras y \u00e1rboles. Este proceso consume mucho tiempo, ya que requiere un gran n\u00famero de im\u00e1genes junto con sus m\u00e1scaras de segmentaci\u00f3n correspondientes. La creaci\u00f3n de estas m\u00e1scaras es una tarea manual y laboriosa, aunque algunas aplicaciones pueden ayudar en el proceso de generaci\u00f3n de m\u00e1scaras. A pesar de estas herramientas, el esfuerzo general involucrado en la preparaci\u00f3n y el etiquetado de los datos sigue siendo significativo, a\u00f1adiendo complejidad al entrenamiento de la red neuronal.<\/p>\n\n<p>Una vez que la red est\u00e1 entrenada, se puede utilizar para la inferencia. Tomar\u00e1 una imagen ortorrectificada, preferiblemente de los sat\u00e9lites Pleiades para una mayor precisi\u00f3n de reconocimiento, y generar\u00e1 tres im\u00e1genes de probabilidad de clase, cada una correspondiente a un atributo espec\u00edfico. Estas im\u00e1genes tendr\u00e1n las mismas dimensiones que la imagen de entrada y representar\u00e1n la probabilidad de que cada p\u00edxel pertenezca a una de tres clases: la segunda imagen indicar\u00e1 la probabilidad de que el p\u00edxel sea una sombra, la tercera representar\u00e1 la probabilidad de que sea un \u00e1rbol, y la cuarta representar\u00e1 la probabilidad de que no sea ni un \u00e1rbol ni una sombra.<\/p>\n\n<p>A cada p\u00edxel se le asigna un valor de probabilidad entre 0 y 1, que indica la certeza del modelo sobre la clasificaci\u00f3n del p\u00edxel. En las im\u00e1genes de salida, estos valores se visualizan utilizando un espectro de color desde azul (0) hasta amarillo (1), donde el azul indica menor certeza y el amarillo representa mayor certeza.<\/p>\n\n<p>A continuaci\u00f3n, estableceremos un umbral para producir una imagen final que clasifique cada p\u00edxel como sombra, \u00e1rbol o fondo. Esta clasificaci\u00f3n permite mediciones altamente precisas de la distancia entre las sombras y el centroide de los \u00e1rboles, mejorando la precisi\u00f3n del monitoreo de la vegetaci\u00f3n cerca de infraestructuras cr\u00edticas.<\/p>\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"257\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240905-134030-1024x257.png\" alt=\" class=\"wp-image-24778\" srcset=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240905-134030-1024x257.png 1024w, https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240905-134030-768x193.png 768w, https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240905-134030.png 1258w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"254\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240905-134820-1-1024x254.png\" alt=\" class=\"wp-image-24776\" srcset=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240905-134820-1-1024x254.png 1024w, https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240905-134820-1-768x190.png 768w, https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240905-134820-1.png 1139w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n<p><em>La primera imagen de cada fila representa la imagen original procesada por el modelo ResNet, la segunda muestra la presencia predicha de sombras, la tercera imagen resalta la presencia de \u00e1rboles, y la cuarta imagen indica \u00e1reas donde no hay ni \u00e1rbol ni sombra. Estas predicciones codificadas por colores permiten una visualizaci\u00f3n clara de la salida del modelo y ayudan a identificar las regiones respectivas dentro del \u00e1rea analizada.<\/em><\/p>\n\n<h3 class=\"wp-block-heading\"><strong>3. Calculadora de direcci\u00f3n de sombra<\/strong><\/h3>\n\n<p>Aunque no es estrictamente necesario, conocer el vector de direcci\u00f3n de la sombra puede mejorar significativamente la precisi\u00f3n de nuestras estimaciones. Varias aplicaciones, como <a href=\"https:\/\/www.sunearthtools.com\/dp\/tools\/pos_sun.php\">SunEarthTools<\/a>, pueden calcular la posici\u00f3n del Sol en un lugar y hora espec\u00edficos, o podemos calcularlo manualmente determinando el <a href=\"https:\/\/www.sciencedirect.com\/topics\/engineering\/solar-azimuth-angle#:~:text=The%20solar%20azimuth%20angle%20(z,angle%20(clockwise%20and%20counterclockwise).\" target=\"_blank\" rel=\"noreferrer noopener\">\u00e1ngulo de azimut solar<\/a>, que representa la posici\u00f3n del Sol en relaci\u00f3n con el norte verdadero. La sombra caer\u00e1 directamente opuesta a este \u00e1ngulo.<\/p>\n\n<p>Las ecuaciones requeridas est\u00e1n <a href=\"https:\/\/www.sciencedirect.com\/topics\/engineering\/solar-azimuth-angle\">f\u00e1cilmente disponibles<\/a>, pero, en resumen, solo necesitamos determinar <a href=\"https:\/\/www.sciencedirect.com\/topics\/engineering\/solar-altitude-angle#:~:text=Solar%20altitude%20angle%20(h)%3A,radiation%20on%20a%20horizontal%20surface).\" target=\"_blank\" rel=\"noreferrer noopener\">el \u00e1ngulo de elevaci\u00f3n solar<\/a> (a menudo se encuentra en los metadatos de la imagen), el \u00e1ngulo horario local, el \u00e1ngulo de declinaci\u00f3n solar (f\u00e1cil de calcular) y la zona geogr\u00e1fica donde queremos calcular las coordenadas de direcci\u00f3n de la sombra. Al incorporar estos datos, podemos estimar mejor la orientaci\u00f3n precisa de la sombra, lo que conduce a un monitoreo y medici\u00f3n m\u00e1s precisos.<\/p>\n\n<h3 class=\"wp-block-heading\"><strong>4. Red Neuronal para el geoposicionamiento de \u00e1rboles<\/strong><\/h3>\n\n<p>Utilizamos <a href=\"https:\/\/docs.ultralytics.com\/modes\/train\/\">YOLO<\/a> (You Only Look Once), un algoritmo de detecci\u00f3n de objetos en tiempo real que procesa una imagen para identificar y localizar objetos de manera r\u00e1pida y precisa. Lo entrenamos de la misma manera que entrenamos el modelo ResNet mencionado en el punto 2, pero, en lugar de usar m\u00e1scaras de segmentaci\u00f3n, necesit\u00e1bamos crear una lista de cajas delimitadoras para cada \u00e1rbol.<\/p>\n\n<p>Es \u00fatil en nuestro caso porque proporciona una instancia para cada \u00e1rbol, permiti\u00e9ndonos calcular la altura de cada \u00e1rbol uno por uno y ayudando a identificarlos en caso de que una multitud de \u00e1rboles est\u00e9 demasiado cerca unos de otros.<\/p>\n\n<p>Este tambi\u00e9n es un proceso que consume mucho tiempo, pero podemos acelerarlo calculando simplemente los l\u00edmites de las m\u00e1scaras de segmentaci\u00f3n de \u00e1rboles creadas en la red neuronal anterior.<\/p>\n\n<p>Despu\u00e9s de entrenar nuestro modelo <a href=\"https:\/\/docs.ultralytics.com\/modes\/train\/\" target=\"_blank\" rel=\"noreferrer noopener\">YOLO<\/a>, tendremos una lista con el centroide de cada \u00e1rbol. Con el prop\u00f3sito de calcular la altura de cada \u00e1rbol individual, se hace una suposici\u00f3n: el centro de la caja es el centro del \u00e1rbol, lo que puede no ser preciso en todos los casos. Este es, por lo tanto, un aspecto para mejorar m\u00e1s all\u00e1 de este MVP (Producto M\u00ednimo Viable), ya que se pueden aplicar diferentes m\u00e9todos para paliar el error potencial, como calcular la distancia no al centroide, sino a la l\u00ednea que interseca con el centroide y es perpendicular a la direcci\u00f3n de la sombra.<\/p>\n\n\n<div class=\"wp-block-columns\">\n<div class=\"wp-block-column\">\n<figure class=\"wp-block-image size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"555\" height=\"518\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240902-091041.png\" alt=\" class=\"wp-image-24784\"\/><\/figure>\n<\/div>\n\n\n\n<div class=\"wp-block-column\">\n<figure class=\"wp-block-image size-full\"><img fetchpriority=\"high\" decoding=\"async\" width=\"580\" height=\"533\" src=\"https:\/\/stage.cactus-now.com\/wp-content\/uploads\/2024\/09\/image-20240902-091240.png\" alt=\" class=\"wp-image-24786\"\/><\/figure>\n<\/div>\n<\/div>\n\n<p><em>Para ambas im\u00e1genes, podemos ver las predicciones de YOLO. Cada caja roja indica la presencia de un \u00e1rbol seguida de la certeza de su predicci\u00f3n (valor de 0 a 1, como probabilidad)<\/em>.<\/p>\n\n<h3 class=\"wp-block-heading\"><strong>5. C\u00e1lculo de altura y estimaci\u00f3n de umbral<\/strong><\/h3>\n\n<p>En este paso, recopilamos la informaci\u00f3n procesada por los m\u00f3dulos anteriores para primero calcular el vector de direcci\u00f3n de la sombra, que es consistente para todos los \u00e1rboles en la imagen. A continuaci\u00f3n, determinamos el punto m\u00e1s lejano identificado como sombra por nuestro modelo ResNet que corresponde al \u00e1rbol que estamos analizando.<\/p>\n\n<p>Esto se logra aprovechando los datos de la caja delimitadora del modelo YOLO. Comenzamos calculando la caja que define la l\u00ednea diagonal del \u00e1rbol. Para cada punto a lo largo de esta diagonal, trazamos una l\u00ednea siguiendo la direcci\u00f3n de la sombra. Extendemos la l\u00ednea hasta que intersecte un punto que est\u00e9 clasificado como algo que no sea una sombra, marcando esta posici\u00f3n. Este proceso ayuda a identificar el punto m\u00e1s lejano de la sombra del \u00e1rbol, contribuyendo a mediciones m\u00e1s precisas de su extensi\u00f3n e impacto potencial en la infraestructura cercana.<\/p>\n\n<p>Despu\u00e9s de completar este proceso, tendremos una lista de coordenadas que representan los puntos m\u00e1s lejanos de la sombra del \u00e1rbol. De esta lista, simplemente seleccionamos la coordenada que maximiza la distancia desde el centroide del \u00e1rbol. Dependiendo del \u00e1rea geogr\u00e1fica y el tipo de \u00e1rboles comunes en la regi\u00f3n, podemos ajustar este m\u00e9todo para usar <a href=\"https:\/\/numerics.mathdotnet.com\/Distance\">diferentes m\u00e9tricas de distancia<\/a>, optimizando la precisi\u00f3n para condiciones ambientales espec\u00edficas. Este paso asegura que tengamos en cuenta el alcance m\u00e1ximo potencial de la sombra del \u00e1rbol, mejorando la precisi\u00f3n de nuestra evaluaci\u00f3n de riesgo de la vegetaci\u00f3n.<\/p>\n\n<p>Finalmente, con la longitud de la sombra determinada, podemos convertirla a metros utilizando la informaci\u00f3n de los metadatos de la imagen para calcular la altura real del \u00e1rbol. Esto se puede hacer usando la f\u00f3rmula:<\/p>\n\n<p><strong>H = L&#8217; * tan(\u03b8)<\/strong>, donde <strong>H<\/strong> representa la altura del \u00e1rbol, <strong>L&#8217;<\/strong> es la longitud de la sombra y <strong>\u03b8<\/strong> es el \u00e1ngulo de elevaci\u00f3n del Sol.<\/p>\n\n<p>Dado que estamos monitoreando sistemas de cables, es esencial considerar que los cables forman una <a href=\"https:\/\/en.wikipedia.org\/wiki\/Catenary\">curva catenaria<\/a>. Esta curva hace que los cables se comben entre las torres de soporte, con el punto m\u00e1s bajo t\u00edpicamente ubicado cerca del centro del vano. Para garantizar una distancia segura entre los cables y la vegetaci\u00f3n circundante, podemos calcular la altura en el punto m\u00e1s bajo del cable y compararla con las alturas de los \u00e1rboles cercanos. Por ejemplo, podemos establecer un umbral, como verificar si la altura de alg\u00fan \u00e1rbol supera el 70% de la altura m\u00e1s baja del cable.<\/p>\n\n<p>Monitorear las alturas de los \u00e1rboles es crucial para la gesti\u00f3n efectiva de los sistemas de cables el\u00e9ctricos. Al medir con precisi\u00f3n las alturas de los \u00e1rboles, las empresas de servicios p\u00fablicos pueden garantizar que la vegetaci\u00f3n permanezca dentro de las zonas de seguridad alrededor de las l\u00edneas el\u00e9ctricas, ayudando a prevenir posibles cortes de energ\u00eda y peligros de seguridad causados por el contacto con la infraestructura.<\/p>\n\n<h2 class=\"wp-block-heading\"><strong>Conclusi\u00f3n<\/strong><\/h2>\n\n<p>Los resultados prometedores de las pruebas iniciales de nuestra aplicaci\u00f3n TreeSight validan la efectividad de nuestro enfoque. Estamos avanzando constantemente hacia la finalizaci\u00f3n de la industrializaci\u00f3n de la aplicaci\u00f3n en un futuro cercano. Hemos identificado varios aspectos en diferentes \u00e1reas para desarrollar a\u00fan m\u00e1s nuestra aplicaci\u00f3n, incluyendo:<\/p>\n\n<ul class=\"wp-block-list\">\n<li><strong>Filtro NDVI en intervalo de tiempo<\/strong>: Implementar el filtro NDVI en diferentes fechas nos permite monitorear los cambios en la vegetaci\u00f3n a lo largo del tiempo e interpolar su tasa de crecimiento. Al rastrear estas variaciones, podemos predecir mejor la rapidez con la que la vegetaci\u00f3n se acerca a infraestructuras cr\u00edticas, permitiendo una gesti\u00f3n m\u00e1s proactiva e intervenciones oportunas.<\/li>\n\n<li><strong>M\u00e1s datos<\/strong>: La disponibilidad de datos sigue siendo un desaf\u00edo, pero aumentar el n\u00famero de im\u00e1genes, tanto mediante aumentaci\u00f3n de datos como la recopilaci\u00f3n de datos reales, mejorar\u00eda significativamente la precisi\u00f3n de las predicciones de nuestro modelo. Ampliar el conjunto de datos permitir\u00eda a las redes neuronales aprender de manera m\u00e1s efectiva, lo que resultar\u00eda en resultados m\u00e1s precisos y fiables.<\/li>\n\n<li><strong>Elevaci\u00f3n del terreno: <\/strong> Integrar datos topogr\u00e1ficos que proporcionen informaci\u00f3n precisa sobre la elevaci\u00f3n del terreno al medir sombras puede reducir significativamente los errores, especialmente en terrenos irregulares o monta\u00f1osos. Estos datos adicionales ayudan a tener en cuenta los cambios de elevaci\u00f3n, lo que lleva a c\u00e1lculos de altura m\u00e1s precisos y mejora la precisi\u00f3n general en el monitoreo de la vegetaci\u00f3n.<\/li>\n\n<li><strong>Diferentes modelos\/enfoques<\/strong>: Como se detall\u00f3 anteriormente, primero realizamos una segmentaci\u00f3n sem\u00e1ntica para asignar cada p\u00edxel a una clase determinada. Para el c\u00e1lculo de la sombra de cada \u00e1rbol, necesitamos conocer la ubicaci\u00f3n de cada \u00e1rbol en la imagen, de ah\u00ed la detecci\u00f3n de objetos utilizando YOLO. Elegimos este enfoque porque ya ten\u00edamos disponible el pipeline de entrenamiento y el modelo para la segmentaci\u00f3n sem\u00e1ntica. Otro enfoque para lograr un resultado similar podr\u00eda ser configurar una segmentaci\u00f3n pan\u00f3ptica utilizando, por ejemplo, <a href=\"https:\/\/github.com\/facebookresearch\/detectron2\" target=\"_blank\" rel=\"noreferrer noopener\">Detectron2<\/a>.<\/li>\n<\/ul>\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n<p><strong>TreeSight<\/strong> demuestra el potencial significativo de aplicar tecnolog\u00edas avanzadas para abordar desaf\u00edos complejos relacionados con infraestructuras cr\u00edticas, aprovechando los <strong>datos de Observaci\u00f3n de la Tierra<\/strong> y algoritmos de vanguardia. Su capacidad para analizar vastos conjuntos de datos con precisi\u00f3n no solo mejora la eficiencia operativa, sino que tambi\u00e9n mejora la seguridad y fiabilidad en la gesti\u00f3n de infraestructuras. Esto destaca el papel transformador que la tecnolog\u00eda puede desempe\u00f1ar en la resoluci\u00f3n de problemas complejos a gran escala en sectores cr\u00edticos.<\/p>\n\n<h2 class=\"wp-block-heading\"><strong>Sobre Cactus<\/strong><\/h2>\n\n<p>El equipo de Cactai, un equipo apasionado por el espacio, est\u00e1 listo para explorar m\u00e1s a fondo su caso de uso y adaptar una soluci\u00f3n basada en EO para satisfacer sus necesidades espec\u00edficas. Ya sea que busque optimizar procesos, integrar tecnolog\u00edas avanzadas o innovar dentro de su industria, estamos aqu\u00ed para colaborar con usted en cada paso del camino. Nuestro objetivo es garantizar que sus objetivos se cumplan con precisi\u00f3n y excelencia, proporcionando la experiencia y el apoyo necesarios para alcanzar el \u00e9xito.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Nuestra soluci\u00f3n: TreeSight Profundicemos en la soluci\u00f3n que nuestro equipo de expertos ha dise\u00f1ado y desarrollado para resolver el desaf\u00edo: Hemos seleccionado los sat\u00e9lites Pleiades para proporcionar las im\u00e1genes que estamos utilizando en nuestro an\u00e1lisis. Uno de los criterios principales es su alta resoluci\u00f3n, que alcanza los 0,5 metros por p\u00edxel, aunque algunos sat\u00e9lites lanzados [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":33856,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[690,700,775],"tags":[],"class_list":["post-33855","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias-de-cactus","category-nuestro-blog","category-ss-es"],"acf":[],"_links":{"self":[{"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/posts\/33855","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/comments?post=33855"}],"version-history":[{"count":0,"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/posts\/33855\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/media\/33856"}],"wp:attachment":[{"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/media?parent=33855"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/categories?post=33855"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/stage.cactus-now.com\/es\/wp-json\/wp\/v2\/tags?post=33855"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}