Aplica principios de IA responsable cuando crees conjuntos de datos de detección remota, como Dynamic World

1. Antes de comenzar

Dynamic World es un conjunto de datos global de cobertura y uso del suelo (LULC) que se actualiza casi en tiempo real. Proporciona una resolución de 10 metros porque usa la constelación Sentinel‑2 de la Agencia Espacial Europea (ESA) y el programa Copernicus, que genera una imagen global actualizada de la superficie de la Tierra cada 2 a 5 días. Se produce con Vertex AI, un modelo de aprendizaje profundo, y Earth Engine, una plataforma de análisis geoespacial. Ayuda a científicos, investigadores y desarrolladores a detectar cambios y tendencias en mapas, así como a cuantificar diferencias en la superficie terrestre.

Earth Engine es una herramienta que busca avanzar en el conocimiento científico de los procesos planetarios para generar más beneficios ambientales y sociales. En su uso comercial, en vista previa con Google Cloud, se indica que su objetivo principal es comprender y abordar los problemas críticos relacionados con la sustentabilidad y el clima, como la deforestación, la gestión de los recursos hídricos y el uso sustentable del suelo.

Nota: La claridad del lenguaje sobre Dynamic World y Earth Engine es un enfoque común de IA responsable para protegerse contra el uso potencial por cualquier motivo cuyo propósito no sea el beneficio social.

En este codelab, aplicarás prácticas responsables para generar conjuntos de datos derivados del aprendizaje automático, como Dynamic World.

Qué aprenderás

• Cómo aplicar prácticas de IA responsable en apps de detección remota
• Cómo interpretar visualmente las predicciones de Dynamic World en el espacio y el tiempo
• Cómo reflexionar sobre las repercusiones éticas y los efectos en la sociedad en etapas posteriores

Requisitos

• Conocimientos para navegar por las apps de Earth Engine
• Google Chrome, que funciona mejor con las apps de Earth Engine

2. Abre la app Dynamic World de Earth Engine

El conjunto de datos de Dynamic World contiene predicciones por píxel de nueve clases de LULC, como se describe en esta tabla. El uso del suelo describe cómo los humanos utilizan el terreno, mientras que la cobertura describe el material físico de la superficie terrestre.

Tipo de LULC	Descripción
Agua	Masas de agua permanentes y de temporada
Árboles	Bosques primarios y secundarios, y plantaciones a gran escala
Césped	Praderas naturales, pastizales para ganado y parques
Vegetación inundada	Manglares y otros ecosistemas inundados
Cultivos	Cultivos agrícolas y campos de arroz
Arbustos y matorrales	Vegetación abierta dispersa o densa con arbustos
Área construida	Edificios de baja y alta densidad, calles y espacios abiertos urbanos
Suelo vacío	Desiertos y rocas expuestas
Nieve y hielo	Nevadas permanentes y de temporada

Las imágenes de este conjunto de datos incluyen 10 bandas: nueve bandas con probabilidades estimadas para cada una de las nueve clases de LULC y una banda de etiqueta de clase que indica la clase con la mayor probabilidad estimada. Estas propiedades específicas permiten a los usuarios realizar análisis multitemporales y crear productos personalizados que se adapten a sus necesidades.

Nota: Este uso de predicciones de Dynamic World se sometió a una revisión de ética en la que se evaluó la seguridad, el rigor científico, la equidad, el posible uso inadecuado, el beneficio social y, en este caso, la concordancia con los Principios de la IA de Google. Si corresponde, puedes establecer puntos de control en tu proyecto de AA para evaluar cómo las decisiones técnicas que tomas se alinean con la declaración de misión, los valores o los principios éticos de tu organización.

Para abrir la app Dynamic World de Earth Engine, haz lo siguiente:

1. Abre otra pestaña en tu navegador,
2. Navega a Dynamic World.

En el mapa, se muestra el mosaico del modo Top1 con la sombra de una colina en diferentes niveles de zoom.

3. Haz clic en el mapa para ver un gráfico en el que se muestran las probabilidades de las clases a lo largo del tiempo.
4. Haz clic en un dato del gráfico para cargar una predicción específica y su imagen de Sentinel‑2.
5. En el panel Layers, ajusta las capas y la visibilidad.

3. Explora las predicciones de Dynamic World en Brasil

Dynamic World incluye predicciones en las nueve clases de LULC y muestra una sola etiqueta Top1 para cada píxel. El mundo real es una mezcla de muchas clases de LULC en cualquier resolución espacial. En esta sección, interpretarás visualmente las predicciones en el espacio y el tiempo.

Para explorar las predicciones de Dynamic World en Brasil, sigue estos pasos:

1. En el navegador, accede a la app Dynamic World de EE.
2. En el campo Search places, ingresa Sete de Setembro, Brazil.

Deberías ver que Dynamic World procesa los datos para el territorio indígena del pueblo paiter suruí, que vive en la región Sete de Setembro, Rondonia, Brasil.

3. En el panel Dynamic World, ingresa 2016-01-01 en el campo Start date y 2022-01-01 en el campo End date. Luego, haz clic en Update.

Es posible que el mapa tarde unos minutos en cargarse porque se procesa en tiempo real.

4. Haz clic en cualquier parte del mapa para generar un gráfico en tiempo real.

Puedes acercar la imagen para obtener una respuesta más rápida.

5. Examina el gráfico en el que las probabilidades de las clases están en el eje y y el tiempo está en el eje x.

En este ejemplo, la predicción de la clase Top1 del 1 de enero de 2016 al 27 de julio de 2017 es de árboles, que varían de una probabilidad de 0.684 a 0.755. Para el momento en que se captura la siguiente escena de Sentinel‑2, el 5 de sept. de 2017, la predicción ya no es de árboles y el indicador se vuelve mucho más ruidoso.

6. Haz clic en para agrandar el gráfico.

Nota: Si quieres generar un conjunto de datos derivado del AA responsablemente, planifica cómo se podría adaptar el conjunto de datos para usos no deseados o, incluso, dañinos. Por ejemplo, pregunta si hay determinados individuos, mercados, regiones, segmentos de usuarios o poblaciones con mayores riesgos de consecuencias negativas por el uso de este conjunto de datos en comparación con otros.

4. Felicitaciones

Aprendiste a aplicar los principios de la IA responsable para generar conjuntos de datos derivados del AA, como Dynamic World.

Más información

• Prácticas de IA responsable
• Introducción a Dynamic World (parte 1): Visualizar y crear datos compuestos