TIC, TAC, TEP: Aprender en el siglo XXI

IA, IoT y Tecnologías Información, Aprendizaje y Participación


1 comentario

Iot4All:¿Cómo se conectan y comunican los dispositivos?

Dispositivos IoT para Smarthome

En el primer post de «IoT4all» exploramos distintas definiciones de Internet de las Cosas y el motivo por el cuál no existe una que podamos considerar como definición canónica. Hoy vamos a hablar de cómo se conectan y comunican los dispositivos IoT, para lo que sí existe un marco perfectamente definido, la RFC7452. En marzo de 2015, el Comité de Arquitectura de Internet (IAB) publicó esta directiva que describe los cuatro modelos de comunicación que vamos a explicar a continuación.

1 Dispositivo a dispositivo, el más común en el hogar

En este modelo, los dispositivos se comunican directamente entre sí, sin necesidad de tener un servidor de aplicaciones intermedio. Esta comunicación puede tener lugar sobre redes IP (Internet), u otro tipo de redes. Muchas veces se utilizan otros protocolos como Bluetooth, Z-Wave o ZigBee.

Este modelo se usa habitualmente en sistemas IoT residenciales como, por ejemplo, bombillas, interruptores, termostatos, cerraduras etc.

Estos sistemas envían pequeñas cantidades de información en forma de mensaje de bloqueo de una puerta, o de comando para encender una luz, por lo que sus requisitos en cuanto a tasa de transmisión, son bajos.

Un inconveniente de este modelo es que algunos fabricantes desarrollan mecanismos de seguridad o de confianza propios que integran en los dispositivos, o bien, utilizan modelos de datos específicos. Esta falta de estandarización, puede limitar la capacidad de elección de los usuarios. Si quieren que un nuevo dispositivo se comunique con los que tiene ya instalados, éste debe ser de la misma familia. Por tanto, el usuario se ve «atado» al fabricante de los dispositivos que escogió en primer lugar.

Figura 1: Modelo de comunicación dispositivo a dispositivo
Figura 1: Modelo de comunicación dispositivo a dispositivo

2 Dispositivo conectado a la nube, como en tu Smart-TV

En este segundo modelo, el dispositivo se conecta directamente a un servicio en la nube, usando conexiones Wi-Fi o red ethernet (los mecanismos de comunicación de que se disponga) para conectarse a la red IP. Este modelo, aporta más valor al usuario, ya que amplía las capacidades del dispositivo más allá de sus características nativas.

Por ejemplo, un termostato inteligente conectado a la nube puede ser controlado de forma remota, a través de un teléfono móvil o una interfaz web. También puede recibir actualizaciones remotas de software. Y, otro aspecto muy interesante para el usuario: la base de datos en la nube que almacena los datos transmitidos por el termostato, ofrece analíticas de consumo que permiten mejorar su eficiencia. Por tanto, un termostato inteligente nos permite ahorrar energía y abaratar así la factura.

Otro ejemplo muy conocido son las SmartTV, que utilizan la conexión a Internet para poder hacer cosas como activar el reconocimiento de voz de la televisión.

Como siempre, la integración de dispositivos de distintos fabricantes puede crear problemas de interoperabilidad. Por ejemplo, cuando se utilizan protocolos de datos propietarios en la comunicación entre el dispositivo y el servicio en la nube, el usuario puede quedar «atado» a ese proveedor (vendor lock-in). Este hecho no sólo afecta a la capacidad de elección del usuario a la hora de conectar nuevos dispositivos, sino también, a cuestiones relacionadas con la propiedad o el acceso a los datos.

Figura 2: Modelo de comunicación dispositivo a la nube
Figura 2: Modelo de comunicación dispositivo a la nube

3 Dispositivo a puerta de enlace, como en los wearables para deportes

En este tercer modelo de comunicación, los dispositivos se conectan a la nube a través de otro dispositivo que hace de puerta de enlace o intermediario. Éste último puede ser un smartphone o un dispositivo tipo hub, en el que un software de aplicación provee de funcionalidades de seguridad o traducción de protocolos o datos.

Un ejemplo de dispositivos que utilizan este modo de conexión son los dispositivos vestibles (o wearables) que se utilizan para hacer deporte. Estos dispositivos no suelen tener capacidad nativa para conectarse a Internet. Como puerta de enlace local, utilizan un teléfono inteligente con una aplicación que facilita la comunicación y transmisión de datos entre el dispositivo y un servicio en la nube.

De esta forma, por ejemplo, puedes registrar y controlar tus entrenamientos, compartirlos con quien tu quieras o colaborar con una causa solidaria, convirtiendo tus pasos en donaciones.

Este modelo permite reducir los problemas de interoperabilidad entre dispositivos, ya que un mismo hub puede tener instalados transceptores de distintas familias de dispositivos.

También, permite conectar objetos que no utilizan el protocolo IP, y por tanto no pueden conectarse directamente a Internet. O integrar nuevos dispositivos que sólo soportan IPv6, con dispositivos y servicios antiguos que utilizan la versión anterior IPv4.

Sin embargo, este modelo también tiene su contrapartida. La principal es el mayor coste y complejidad asociados al desarrollo del software y el sistema para la puerta de enlace de capa de aplicación. No obstante, si se consigue que en el diseño de nuevos dispositivos IoT se utilicen protocolos genéricos, en el futuro se desplegarán más puertas de enlace genéricas, con una estructura más sencilla y un menor costo, que facilitará la interconexión entre dispositivos.

Figura 3: Modelo de comunicación dispositivo a puerta de enlace
Figura 3: Modelo de comunicación dispositivo a puerta de enlace (Ampliar)

4 Dispositivo conectado a través de back-end

Este cuarto modelo es una extensión del modelo 2, comunicación de un dispositivo único a la nube, permitiendo que los usuarios exporten y analicen datos de objetos inteligentes de un servicio en la nube en combinación con datos de otras fuentes. Esta estrategia permite romper los silos de datos que se generan en el modelo «dispositivo conectado a proveedor de servicios de internet único«.

Figura 4: Modelo de intercambio de datos a través de un back end
Figura 4: Modelo de intercambio de datos a través de un back end

Una arquitectura de intercambio de datos a través del back-end permite , acceder y analizar fácilmente en la nube a los datos producidos por toda la gama de dispositivos desplegados en un edificio.

Por otra parte, este tipo de arquitectura facilita la portabilidad de los datos, permitiendo a los usuarios mover sus datos al cambiar de servicio IoT.

Conclusión

Además de por ciertas consideraciones técnicas, el uso de uno u otro modelo tendrá mucho que ver con la naturaleza abierta o propietaria de los dispositivos IoT que se conecten en la red. Lo que está claro, es que las interoperabilidad entre dispositivos y el uso de estándares abiertos son aspectos clave en el diseño de sistemas de la Internet de las Cosas.

Por otra parte, los modelos que permiten la aplicación de analíticas machine learning a los datos de dispositivos almacenados en la nube, generan mucho valor para el usuario final, ya que le permiten hacer uso de nuevas formas de usar la información. No obstante, no hay que olvidar el coste que puede tener el conectar los dispositivos a la nube en regiones donde los costes de conectividad son elevados.

Estos nuevos flujos de datos se pueden aprovechar para diseñar nuevos productos y servicios que actúen como auténticos catalizadores de la innovación.


Post original publicado en ThinkBig Empresas

Referencias:

La Internet de las Cosas— Una breve reseña (ISOC)

https://www.iotcentral.io/blog/the-iot-architecture-at-the-edge

Anuncio publicitario


1 comentario

IoT4All: ¿Qué es Internet de las Cosas para ti?

Comenzamos una nueva serie, “IoT4All”, en la que iremos desgranando poco a poco los conceptos básicos de Internet de las Cosas para hacerlas accesibles a todo aquel que quiera introducirse en este mundo, apasionante, sí, pero para qué negarlo, también complejo. En este primer post definiremos el concepto de Internet de las Cosas, IoT, y nos encontraremos con la primera sorpresa:

No existe una definición única de IoT

Distintas definiciones

Que los ciudadanos de a pie no tengamos una definición clara sobre lo que es IoT, es normal. Lo que puede resultar extraño, es que organizaciones, empresas, fabricantes, etc no compartan una definición única sobre lo que es Internet de las Cosas. Veamos algunos ejemplos:

  • IBSG de Cisco: Según el Grupo de Soluciones Empresariales para Internet (IBSG) de Cisco, el IoT es simplemente el momento en el que hay más “cosas u objetos” que personas conectados a Internet. A partir de datos como el número de dispositivos conectados según el Forrester Research, y datos de la población mundial de la Oficina del Censo de EE. UU el IBSG de Cisco estima que el IoT “nació” en algún momento entre 2008 y 2009
  • IBM: Para IBMInternet de las cosas se define como “el concepto de conectar cualquier dispositivo u objeto físico a Internet y a otros dispositivos conectados”. IBM también se refiere a la “creciente gama de dispositivos conectados a Internet que capturan o generan una enorme cantidad de información cada día”.
  • International Data Corporation: IDC define la Internet de las Cosas como “una red de redes de puntos finales identificables que se comunican sin interacción humana usando conectividad IP (local o global)”
  • Gartner: Para Gartner “la IoT es la red de objetos físicos que contienen tecnología para comunicarse y sentir o interactuar con sus estados internos o el ambiente externo”
  • Telefónica: Para nosotros, IoT es un universo de dispositivos u objetos físicos conectados e internet o a otros dispositivos, que interactúan con su entorno. La aplicación de tecnologías Big Data e Inteligencia artificial transforma estos datos en información de gran valor para las empresas, que se puede traducir en mejoras en la productividad, ahorros de costes y nuevas oportunidades/modelos de negocio.

¿Qué tienen en común todas estas definiciones?

Si nos paramos a analizarlas, podemos ver que no se contradicen entre sí. Más bien, ponen el foco en distintos aspectos o casos de uso. Así, esta dificultad de llegar a una definición común se debe al hecho de que la IoT representa la convergencia, en los últimos años, de distintas tendencias y avances tecnológicos, tanto en el ámbito de la computación, como en el de la conectividad.

Tecnologías convergentes

  • La conectividad generalizada, que convierte a casi cualquier cosa, en un “objeto conectable”, con velocidades de conexión altas a costes asequibles.
  • La adopción generalizada de redes basadas en el protocolo IP. Al haberse convertido en un estándar dominante, resulta muy sencillo y económico conectar todo tipo de dispositivos a internet. No obstante, no es la única opción, ya que todavía perviven muchas de las primeras soluciones corporativas e industriales M2M (Machine to machine communication), basadas en redes dedicadas y estándares propietarios o específicos de una industria.
  • Los avances en miniaturización. Objetos pequeños y de bajo costo pueden incorporar tecnología de cálculo y comunicaciones, impulsando gran cantidad de aplicaciones de la IoT
  • El abaratamiento de la capacidad de cálculo. Según lo predicho por la ley de Moore, cada vez disponemos de velocidades de procesamiento mayores, a precios más bajos y con un menor consumo de energía.
  • La computación en la nube. Permiten a los dispositivos distribuidos interactuar con potentes servidores remotos que ofrecen capacidades analíticas y de gestión.

Claves comunes

Por tanto, cuando intentamos definir qué es Internet de las Cosas, tenemos que hablar de:

  • dispositivos u objetos conectados (“las cosas”),
  • de conectividad (protocolos, redes),
  • de volúmenes variables de datos (recogidos del entorno, enviados, recibidos)
  • de plataformas de servicios IOT , donde se toman las primeras decisiones y acciones,
  • y de inteligencia (analíticas de datos, machine learning).


Todo ello configurado como un ecosistema muy heterogéneo, dinámico, de enorme escala, donde además la privacidad y la seguridad deben de estar garantizadas en todo momento extremo a extremo.

¿Dónde está el foco?

Así, según queramos poner más foco en uno u otro de los 4 pilares fundamentales de Internet de las cosas:

  • Cosas con sensores y capacidad de relación
  • Interconexión para la interacción
  • Soluciones para la mejora de procesos
  • Explotación de los datos

,llegaremos a definiciones ligeramente distintas. Pero todas ellas son igualmente válidas, porque lo importante no es cómo lo definamos, sino adónde nos lleva, lo que queremos conseguir con la tecnología.

En el siguiente post de “IoT4All” seguiremos avanzando en nuestro conocimiento sobre Internet de las Cosas, hablando de los distintos modelos de conectividad.


Post original publicado en Think Big Empresas


Deja un comentario

Estructurados, semi-estructurados, no estructurados… ¿Cómo son tus datos?

Portátil sobre la hierba

Cuando hablamos de tipos de datos, podemos hacerlo desde muchas perspectivas diferentes. Podemos clasificarlos según su origen, su rango, el tipo de lenguaje con el que queremos trabajar sobre ellos etc. Pero la clasificación más práctica y global que permite trabajar de forma efectiva en el mundo digital es la basada en la estructura de los datos. Según esta, hay 3 tipos de datos: estructurados, semiestructurados y no estructurados.

Veremos cómo comprender el tipo de datos que se maneja en cada situación, es esencial para definir los recursos más adecuados para ingestarlos, almacenarlos, transformarlos, y entrenar con ellos modelos de los que obtener Insights de negocio, alertas frente a comportamientos anómalos, recomendaciones de mantenimiento predictivo etc

Datos estructurados

Los datos estructurados son los datos típicos de la mayoría de bases de datos relacionales (RDBMS). Estas bases de datos se caracterizan por tener un esquema determinado que define cómo son las tablas en  las que se almacenan los datos, qué tipo de campos tienen y cómo se relacionan entre ellas.

Estos datos se gestionan mediante un tipo de lenguaje de programación estructurado, conocido como SQL (Structured Query Language) diseñado precisamente, para administrar y recuperar información de los sistemas de gestión de bases de datos relacionales.

File:ESTRUCTURA.png - Wikimedia Commons
Figura 1: Ejemplo de datos estructurados

Son los datos estructurados son los más sencillos de manejar, ya que tienen todos el mismo formato. Suelen ser archivos de texto que se almacenan en forma de tabla, hojas de cálculo o bases de datos relacionales en las que cada categoría se identifica mediante un título.

Un ejemplo de este tipo de datos son los datos financieros, o los datos generados por sensores IoT.

Datos semi-estructurados

Datos semi-estructurados no tienen un esquema definido. No encajan en un formato de tablas/filas/columnas, sino que se organizan mediante etiquetas o “tags” que permiten agruparlos y crear jerarquías. También se les conoce como no relacionales o NoSQL.

Este tipo de datos representa alrededor del 5-10% del volumen de datos global. Sin embargo, tiene casos de uso muy relevantes desde el punto de vista comercial, en grandes infraestructurasde datos y aplicaciones web en tiempo real. Algunos servicios muy conocidos basados en este tipo de datos son el sistema de recomendación de Amazon, o los servicios de Linkedin.

Muchos de los casos de uso tienen que ver con el transporte de datos, compartir datos de sensores, intercambio electrónico de datos, plataformas de medios sociales, y bases de datos NoSQL.

Los ejemplos de datos semi-estructurados más conocidos son:

  • Correos electrónicos, donde los metadatos nativos permiten clasificarlos y realizar búsquedas por palabras clave
  • Lenguaje de marcado XML, cuya flexible estructura, basada en etiquetas, permite universalizar la estructura de datos, el almacenamiento y el transporte en la Web.
  • El estándar abierto JSON (JavaScript Object Notation), otro formato de intercambio de datos semi-estructurados que se utiliza mucho en la transmisión de datos entre aplicaciones web y servidores.
  • Las bases de datos NoSQL, que al no separar el esquema de los propios datos, son más flexibles. Permiten almacenar información que no se adapta bien al formato de registro/tabla, como por ejemplo, el texto de longitud variable. También facilitan el intercambio de datos entre distintas bases de datos.
Extensible Markup Language - Wikipedia, la enciclopedia libre
Figura 2: Ejemplo de datos semiestructurados

Datos no estructurados

Los datos no estructurados son prácticamente todo lo demás. Suponen un 80% del volumen de todos los datos generados, y el porcentaje no deja de crecer. Estos datos pueden tener una estructura interna, pero no siguen ningún esquema o modelo de datos predefinido.

Pueden ser datos de texto, o no textuales; haber sido generados por una máquina o por una persona; y almacenarse en una base de datos NoSQL, o directamente en un Datalake.

Los ejemplos más conocidos son:

  • Ficheros de texto: archivos tipo word, hojas de cálculo, presentaciones, logs…
  • Correo electrónicos, el cuerpo del mensaje, el resto de la información suele ser semi-estruturada, como hemos indicado anteriormente
  • Datos de redes sociales como Facebook, Twitter, Linkedin
  • Datos de sitios web como Youtube, Instagram etc
  • Datos móviles: mensajes, localización, chats…
  • Imágenes, vídeos, audios etc
  • Datos meteorológicos, imágenes por satélite, datos de sensores etc
Sonido, Ola, Forma De Onda, Aural, De Audio, Sonic
Figura 3: Ejemplo de datos no estructurados

Trabajar, no sólo con datos no estructurados, sino con enormes volúmenes de ellos supone un auténtico desafío, al que damos respuesta con nuevas herramientas basadas en machine learning, nuevos modelos de almacenamiento y computación basados en sistemas cloud, cambios en las estrategias tradicionales de ingeniería de datos (de modelos ETL a ELT), integración de soluciones nativas y opensource etc. A todo ello se suma la complejidad añadida de dar respuesta en tiempo real a un creciente número de aplicaciones como las basadas en dispositivos IoT, el comercio online etc.

Conclusión

Es muy importante ser consciente del tipo de datos que se maneja en cada caso, para decidir cuáles son los recursos y herramientas más adecuados para cada situación. Esto nos permitirá definir las arquitecturas más eficientes que cubran las necesidades de una empresa con la mejor relación coste-beneficio.

Si quieres saber más sobre cómo se almacenan los datos, y cómo entrenar con ellos nuestros algoritmos de machine learning, no te pierdas estos otros dos post:


Post original publicado en Think Big Empresas


Deja un comentario

Internet de las Cosas…arqueológicas

A finales de 2019, según IoT Analytics, había ya 9.500 millones de dispositivos conectados para consumidores, empresas y científicos. Las previsiones para 2025 triplican esta cifra, porque la fórmula: grandes volúmenes de datos + analíticas + conocimiento experto en un dominio sirve… para casi cualquier cosa. Desde gestionar dispositivos en el hogar, hasta controlar la contaminación o el tráfico en las ciudades, usar de forma más eficiente el agua en la agricultura, o ayudar a controlar la expansión de un virus. En el post de hoy veremos cómo también se puede usar para proteger nuestros tesoros arqueológicos, con un ejemplo mundialmente conocido: El Valle de los Reyes en Egipto.

Soluciones IoT para Geología: prevención de catástrofes

Normalmente, las soluciones IoT para Geología monitorizan el medio natural con el objeto de predecir y prevenir catástrofes naturales. Así, existen soluciones orientadas a predecir desbordamientos en ríos, hundimientos en túneles, o movimientos de tierras. Otras aplicaciones están orientadas a conocer el impacto del cambio climático sobre la estabilidad de determinadas formaciones rocosas.

La importancia de este estudio es evidente cuando estas “formaciones rocosas” forman parte de uno de los sitios arqueológicos más importantes del mundo, como es el Valle de los Reyes, situado en las afueras de Luxor, a orillas del Nilo. El Valle de los Reyes es una necrópolis del antiguo Egipto, donde se encuentran las tumbas de la mayoría de faraones del Imperio Nuevo. Entre ellas, la más conocida es la KV62, la tumba de Tutankamón (c. 1342 – c. 1325 a.C.), descubierta por Howard Carter en 1922.

Para garantizar la mejor conservación de las tumbas y la seguridad de los millones de turistas que las visitan cada año, es fundamental controlar la estabilidad de las formaciones calizas que rodean el valle y que pueden verse impactadas tanto por fenómenos sísmicos, como meteorológicos.

El proyecto del Valle de los Reyes

Para saber más, un equipo de la Universidad de York (Canadá), el Departamento de Ciencias de la Tierra de la ETH Zurich y la Universidad de Basilea realizó un estudio sobre la estabilidad del acantilado rocoso sobre la tumba KV42.

Los investigadores desarrollaron una modelización matemática del comportamiento de la roca, analizando factores como la absorción de humedadcambios de volumen debidos a cambios de temperatura, desplazamientos/fracturas provocadas por pequeños movimientos sísmicos lluvias torrenciales etc.

El papel de los sensores IoT

Los investigadores instalaron un conjunto de sensores IoT para monitorizar la roca y su entorno y generar los datos para entrenar el modelo. En particular, se instaló una estación meteorológica Plug & Sense Smart Agriculture Pro, de la empresa Libelium. La estación permite medir la velocidad y dirección del vientovolumen de precipitacionesradiación solartemperatura (del aire y de la roca), y grado de humedad. A la estación, alimentada por energía solar, se agregaron sensores adicionales:

  • Un dendrómetro, para medir cómo influye el crecimiento de los árboles en la apertura de la fractura
  • Un sismómetro
Figura 1: Sensores monitorizando la grieta (fuente)

Los sensores registran datos cada 15 minutos, los graban en memoria y posteriormente los envían a servidor remoto a través de una red celular (3G/4G).

De esta forma, se pueden controlar el impacto de la erosión sobre la grieta, y generar una alerta temprana en caso de riesgo de fractura, garantizando así la preservación del patrimonio histórico y la seguridad de los visitantes.

Conclusión

Las tecnologías de monitorización de grietas en materiales sólidos, cobran cada día mayor relevancia, no sólo en sitios históricos sino en cualquier otro tipo de estructuras naturales o humanas debido al impacto negativo que tienen sobre ellas fenómenos relacionados con el cambio climático.


Referencias: Alcaino-Olivares, Rodrigo & Perras, Matthew & Ziegler, Martin & Maissen, Jasmin. (2019). Cliff stability at tomb KV42 in the Valley of the Kings, Egypt: A first approach to numerical modelling and site investigation.


1 comentario

Grafeno, un supermaterial para IoT

¿Un material un millón de veces más delgado que un cabello humano, 200 veces más fuerte que el acero, transparente, flexible, ligero, gran conductor del calor y de la electricidad y capaz de convertir la energía solar en eléctrica a gran velocidad? No es de extrañar que los dispositivos integrados basados en grafeno se hayan convertido en una de las claves en la evolución del 5Ginternet de las cosas (IoT) y la industria 4.0. En este post vamos a explicar qué es grafeno y cuáles son sus aplicaciones principales en el ámbito del IoT.

¿Qué es el grafeno?

El grafeno es una estructura laminar plana, de un átomo de grosor (se trata del primer material 2D) compuesta por el mismo tipo de átomos que constituye los diamantes o la mina de grafito de un lápiz: átomos de carbono. La diferencia esencial radica en cómo están dispuestos dichos átomos. En el caso del grafeno, densamente empaquetados en una red cristalina en forma de panal de abeja (hexagonal).

Este sencillo vídeo del Proyecto Graphene Flagship , patrocinado por la Unión Europea, explica lo que es el grafeno en menos de 3 minutos.

Aunque las primeras investigaciones sobre el grafeno se remontan a 1859, no hubo avances importantes hasta 2004, cuando los profesores Sir Andre Geim y Sir Kostya Novoselov de la Universidad de Manchester descubrieron y aislaron por primera vez una única capa atómica de carbono. En reconocimiento a tan importante descubrimiento, ambos profesores fueron galardonados con el Premio Nobel de Física en 2010.

Historia del grafeno (Descargar más grande)

Propiedades del grafeno

Gracias a su estructura molecular, el grafeno:

  • Es un material muy duro y resistente
  • Es muy ligero flexible
  • Muy estable cuando es sometido a grandes presiones.
  • Es muy buen conductor del calor como de la electricidad. El grafeno permite que los electrones fluyan mucho más rápido que el silicio
  • Es capaz de generar electricidad a partir de energía solar.
  • Es un conductor transparente, combinando de manera excepcional las funcionalidades eléctricas y ópticas.

Por otra parte, su producción es relativamente barata en comparación con otros materiales.

Aplicaciones del grafeno

Estas propiedades tan interesantes permiten su aplicación a campos tan distintos como la electrónica, aeronaútica, la generación de energía, ehealth, materiales compuestos etc. Veamos algunos ejemplos.

Dispositivos vestibles o «wearables»

La gran ligereza y flexibilidad del grafeno lo hace ideal para la fabricación de dispositivos wearables, como por ejemplo, dispositivos de seguimiento de la salud, sensores ambientales, textiles electrónicos duraderos y fuentes de energía flexibles.

Aeronáutica y tecnología espacial

Las aeronaves construidas con grafeno y otros materiales 2D más finos y ligeros, consumen menos combustible, lo que supone un ahorro en costes una menor huella de carbono. Pero también son más seguras, gracias a los sistemas termoeléctricos de protección contra el hielo basados en el grafeno.

En tecnología espacial, el grafeno se utiliza en sistemas de refrigeración y velas solares -base de los sistemas de propulsión sin combustible de las naves espaciales.

Generación y almacenamiento de energia

La gran conductividad eléctrica, ligereza, estabilidad química y flexibilidad del grafeno y los materiales relacionados (GRM), le permiten jugar un papel clave en los procesos de generación y almacenamiento de energía.

Por ejemplo, el grafeno activado permite el uso de supercondensadores para el almacenamiento de energía y también aumenta su vida útil. Por tanto, una batería de grafeno, ofrece una autonomía hasta diez veces mayor que la obtenida con baterías de litio, para todo tipo de dispositivos móviles. Desde smartphones y tablets, hasta coches eléctricos y todo tipo de sensores.

Su transparencia y capacidad de generar energía eléctrica a partir de la luz solar también se ha estudiado para la generación de ventanas inteligentes. Se trata de ventanas recubiertas por una capa transparente de grafeno, capaces de generar la electricidad suficiente para autoabastecer el edificio.

Materiales compuestos (composites) y revestimientos

Gracias a su gran resistencia, conductividad, flexibilidad, ligereza y capacidad de actuar como barrera, el grafeno no sólo mejora el rendimiento de los materiales actuales, sino que abre camino a nuevos campos de aplicación. Desde los revestimientos antiestáticos y anticorrosivos hasta los compuestos ultrarresistentes y ultraligeros.

Fotónica y optoelectrónica

A medida que las tecnologías de semiconductores convencionales se aproximan a sus limitaciones físicas, se hace preciso explorar tecnologías innovadoras que permitan materializar la visión de de una sociedad global futura conectada en red.

Las propiedades del grafeno lo hacen ideal para la próxima generación de sistemas de comunicaciones ópticas y optoelectrónicas. El grafeno integrado en un circuito fotónico es una tecnología escalable y de bajo costo que puede operar enlaces de fibra a una velocidad de transmisión de datos muy alta. Por ello, jugará un papel protagonista en este ámbito, en aplicaciones que van desde los láseres e interruptores ópticos, hasta la comunicación inalámbricacaptación de energía, y sistemas 5G.

Tecnologías biomédicas

En biomedicina, el grafeno se utiliza, por ejemplo, para crear dispositivos de administración de medicamentos. Su gran conductividad, flexibilidad y ligereza, también hace del grafeno un material muy apropiado en la fabricación de biosensores. De hecho, hay interesantes investigaciones en marcha sobre su aplicación a la ingeniería de tejidos, para la creación de sensores electromecánicos muy sensibles que se implantan en el interior del cerebro.

Por otro lado, su capacidad para captar la luz que el ojo humano no ve podría servir para mejorar la visión de muchas personas, pero también para mejorar los dispositivos de visión nocturna en el sector militar e incluso la seguridad en la conducción.

Electrónica

En el ámbito de la electrónica, las propiedades «estrella» del grafeno son su escaso grosor, su alta conductividad a temperatura ambiente, y su flexibilidad. En una industria donde uno de los objetivos principales es la miniaturización, el grafeno es clave en la fabricación de chipsinterconexiones para comunicación de datospantallas flexibles para la tecnología vestible etc.

Otra aplicación interesante son las antenas NFC flexibles. Este tipo de tecnologías inalámbricas de bajo coste permite trasladar los sensores y dispositivos NFC a la vida cotidiana de forma muy sencilla, abriendo todo un universo de nuevas aplicaciones. Desde aplicaciones relacionadas con el cuidado de la salud, al control de calidad alimentaria o comercio electrónico.

Sensores

Los sensores ultra sensibles basados en grafeno resultan más pequeños, ligeros y menos costosos que los sensores tradicionales. Hay muchos tipos diferentes de sensores. Desde los sensores de gas de base química, y los de ph y contaminación ambiental, hasta los sensores de presión y tensión.

También se pueden crear sensores biológicos capaces de detectar moléculas como el ADN y otras sustancias como la glucosa, el glutamato, el colesterol y la hemoglobina. Por ejemplo, éstos últimos se pueden integrar en sensores vestibles que permiten controlar nuestra salud en tiempo real

El grafeno en IoT

El grafeno, con sus características tan especiales, está llamado a desempeñar un papel importante en el futuro del IoT, ya que permite superar muchas de las barreras relacionadas con esta tecnología. Los sensores de grafeno permiten:

  • Rastrear y registrar cambios en humedad y temperatura
  • Detectar tensiones en los componentes estructurales de un edificio
  • Detectar productos químicos y gases tóxicos
  • Conectarse a una red inalámbrica
  • Obtener su propia potencia (más livianos y rentables por no precisar baterías)

Y, a la vez, son fáciles de producir a gran escala. Por ello, está claro este material va a ser clave en el futuro del IoT.

Y no sólo el grafeno. Las integración con otros materiales 2D también abre un nuevo campo de aplicaciones de detección inalábrica.

Conclusión

Al igual que ahora está de moda hablar de «super-alimentos», se puede decir que el grafeno es un «super-material» que va a estar claramente ligado al futuro del Iot, y va a permitir que incorporemos muchas de sus aplicaciones a nuestro día a día.


Deja un comentario

Inteligencia artificial e IoT para salvar a las abejas

Abeja

¿Sabías la población mundial de abejas está amenazada y su mortalidad no para de aumentar? Si quieres saber cómo la Inteligencia Artificial, el IoT y el trabajo colaborativo pueden usarse para monitoritorizar su salud y prevenir su extinción, sigue leyendo.

Las abejas son vitales para los ecosistemas silvestres, pero también como polinizadoras en la agricultura. De hecho, según un estudio de la Universidad de Berkeley, un tercio de los alimentos que comemos, depende de su polinización.

Una empresa social para salvar a las abejas

En 2015 surgió una empresa social, OSBeehives, que desarrolla software y hardware para lucha por la conservación de Apis mellifera, la polinizadora más conocida.

Este software analiza las frecuencias de audio que generan sus zumbidos y, mediante algoritmos de machine learning, las correlaciona con su estado de salud.

Figura 1: Posibles estados de salud de la colmena
Figura 1: Posibles estados de salud de la colmena

Para capturar la información, colocan en las colmenas sensores conectados diseñados por ellos mismos, los dispositivos BuzzBox.

Figura 2: Sensores de zumbidos que se introducen en las colmenas
Figura 2: Sensores de zumbidos que se introducen en las colmenas

Los algoritmos de inteligencia artificial analizan estas grabaciones en busca de patrones que permitan identificar las principales amenazas para la salud de las colmenas: pesticidas, avispas, enfermedades y parásitos, y el conocido como problema del colapso de colonias.

La información se traslada a una app móvil para que el apicultor pueda reaccionar en tiempo real. La aplicación ya tiene más de 2.000 usuarios de más de 20 países de todo el mundo, que han generado más de un millón de grabaciones.

Figura 3: App móvil
Figura 3: App móvil

El dispositivo es económicamente asequible y se ofrece en código abierto, lo que contribuye a una evolución más rápida.

Gracias a esta iniciativa, Tristan Copley Smith, cofundador y director de comunicaciones de OSBeehives, ha sido ganador de Innovadores menores de 35 Europa 2019 de MIT Technology Review


Post original publicado en Think Big Empresas


Deja un comentario

Drones que “ven bajo tierra”

Patatas

Estamos acostumbrados a leer sobre el uso de drones en seguridad vial, conservación del medio ambiente, en el mundo de la construcción, usos recreativos, militares, para espantar aves en los aeropuertos, para transportar medicamentos…etc. Pero también son componentes habituales de las soluciones SmartAgro. Incluso, para cultivos que crecen bajo tierra, como patatas, también mandioca, zanahorias, rábanos o cualquier tubérculo o raíz comestible de interés económico.

En el post de hoy vamos a hablar de una de ellas en particular.

El problema

Los tubérculos son uno de los alimentos más nutritivos, económicos y versátiles de la naturaleza. De hecho, la patata, un alimento básico en todo el mundo, ocupa el cuarto lugar en la producción mundial de alimentos, después del maíz, el arroz y el trigo.

Este tipo de cultivos tiene un problema. Al crecer bajo tierra, es habitual que enfermedades o deficiencias que afectan a su crecimiento, pasen desapercibidas al agricultor. En ocasiones, plantas enfermas en la raíz, tienen un aspecto exterior verde y sano.

Esto plantea serias dificultades a los fitomejoradores, que investigan el desarrollo de los cultivos para poder determinar qué variedades ofrecen un mayor rendimiento, son más apropiadas para un determinado clima, o se adaptan mejor a la sequía o a los cambios de temperatura.

Uno de los grandes misterios para los fitomejoradores es si lo que ocurre en la superficie es lo mismo que lo que ocurre en la parte inferior

Michael Selvaraj, coautor de Alliance of Bioversity International y del CIAT

Para saber qué está sucediendo bajo tierra, y si el cultivo está sano, son necesarios muchos ensayos para recopilar datos sobre el dosel de las plantas, su altura y otras características físicas, lo cual resulta muy costoso en tiempo y recursos.

Una solución: drones+aprendizaje automático

Un estudio publicado recientemente en la revista Plant Methods plantea el análisis de imágenes de alta resolución tomadas por drones, mediante técnicas de aprendizaje automático que permiten construir modelos para predecirsobre el terreno y en tiempo real, cómo reacciona las plantas frente a distintos estímulos.

En lugar de esperar hasta la temporada de cosecha, se recogen datos sobre la cubierta vegetal e índices de vegetación en distintos momentos del ciclo de crecimiento, a partir de las imágenes multiespectrales tomadas por los drones. El procesamiento de estas series temporales mediante técnicas de aprendizaje automático permite extraer modelos de predicción del crecimiento de las raíces a partir de las imágenes.

Ubicación del trabajo de campo y plataforma de teledetección. a) Las pruebas uno y dos se llevaron a cabo en (CIAT). b)Dron, DJI S1000s. c) Cámara multiespectral, Micasense RedEdge 3. d) Arduino nano. e) Punto de control terrestre (GCP). f) GCP instalado en la prueba uno. g) RTK-GPS (Ampliar Imagen)

Para acelerar el procesamiento de imágenes, se desarrolló la plataforma de análisis automático de imágenes CIAT Pheno-i. A partir de datos tomados sobre el terreno y los índices de vegetación obtenidos por un sensor multiespectral se construyeron modelos de regresión lineal múltiple en las distintas etapas clave del crecimiento de la mandioca. Posteriormente, los índices espectrales/características se combinaron para desarrollar modelos de predicción del crecimiento de la raíz de mandioca usando diferentes técnicas de aprendizaje automático. Entre ellas, los modelos que mostraron mejor rendimiento fueron los basados en los algoritmos k-neighbours, bosque aletorio y máquina de vectores de soporte.

Ya son muchos los estudios que demuestran cómo las tecnologías avanzadas de teleobservación, combinadas con métodos de aprendizaje automático, permiten predecir de forma precisa datos valiosos sobre distintos tipos de cultivos. Esta técnica aplicada al cultivo de la yuca puede aplicarse también a otros cultivos de tubérculos para acelerar el trabajo de fenotipado digital llevado a cabo por el CIAT (Centro Internacional de Agricultura Tropical, Cali).

Gracias a esta tecnología, los fitomejoradores pueden ahora reaccionar de forma inmediata ante la falta de agua, o de un nutriente en particular, mejorando de esta forma la eficiencia de los cultivos.

Estos datos también permiten a los investigadores aconsejar a los productores sobre qué variedades resisten mejor las perturbaciones climáticas, para que cultiven las más adecuadas en cada lugar.


Referencias:

Selvaraj, M.G., Valderrama, M., Guzman, D. et al. Machine learning for high-throughput field phenotyping and image processing provides insight into the association of above and below-ground traits in cassava (Manihot esculenta Crantz). Plant Methods 16, 87 (2020).


Deja un comentario

Cloud, IoT y machine learning en tu ascensor

Seguro que cada día viajas en ascensor unas cuantas veces: en tu casa, en el metro, en el trabajo etc. Desde que, en 1857, el inventor neoyorquino Elisha Otis creó el primer ascensor, estos dispositivos, claves para la expansión vertical de las ciudades y el desarrollo de los rascacielos, han sufrido una gran evolución. Sin embargo, al estar tan presentes en nuestro día, muchas veces no somos conscientes de cómo gracias al IoT, los algoritmos machine learning y el almacenamiento de datos en la nube, nuestros ascensores ahora son ascensores inteligentes.

Primeros años: operados por ascensoristas

Igual que hablamos de “profesiones del futuro”, podemos hablar de “profesiones desaparecidas”. Y una de ellas era la de “ascensorista”. Los primeros ascensores eran “pilotados” por operadores humanos.

En la década de 1950, los interruptores eléctricos tomaron en control. Como curiosidad, algunos edificios históricos como la Smith Tower de Seattle mantuvieron a estos profesionales hasta 2017.

Ascensoristas de la Smith Tower
(Joe Mabel, wikimedia)
Figura 1: Ascensoristas de la Smith Tower (Joe Mabel, wikimedia)

Los ingenieros tuvieron que diseñar reglas para indicar al ascensor a qué planta ir en qué momento. Lo más sencillo, era definir un recorrido de paradas fijas a horas determinadas. Algo parecido a coger el autobús, lo cual, evidentemente, era muy poco práctico e ineficiente.

Empezamos a hablar de algoritmos

En los años 60, los ascensores incorporaron botones de llamada. Si querías coger el ascensor, no tenías más que pulsar el botón de llamada, y el ascensor paraba en esa planta para recogerte.  El problema entonces era gestionar las llamadas simultáneas. ¿Dónde hacer la siguiente parada? ¿En la planta más próxima o en aquella desde la que se recibió la primera llamada? ¿Qué priorizar? ¿un servicio rápido o menor consumo energético?

Surgieron los primeros algoritmos. Uno de los primeros, conocido como “algoritmo de control colectivo” o simplemente el “algoritmo del ascensor”, se basaba en dos reglas muy sencillas:

  • Mientras haya alguien dentro o esperando el ascensor que quiera ir en el sentido actual (subida o bajada), siga en ese sentido.
  • Si no hay más peticiones en el sentido actual, y hay una petición en sentido contrario, cambie de sentido. De lo contrario, deténgase y espere una llamada.

Estos son los típicos ascensores que tienen dos botones en el exterior: de subida y de bajada. Su sencillez y razonable eficiencia, hace que todavía sean muy habituales, sobre todo en edificios residenciales.

Figura 2: Sistema de llamada de 2 botones
Figura 2: Sistema de llamada de 2 botones

Sin embargo, en grandes edificios, con un gran número de ascensores, este sistema era muy ineficiente. Los ingenieros idearon distintas estrategias como comunicar los ascensores entre sí (si se recibe una llamada desde la planta baja y el ascensor 1 está subiendo, atiende la llamada el ascensor 2); o asignar grupos de ascensores a plantas determinadas. O la estrategia de “aparcamiento” que envía a los ascensores libres a una planta determinada, por ejemplo, la baja, a esperar pasajeros.

Los avances computacionales en los años 70 permitieron crear simulaciones de software para poner prueba la eficiencia de este tipo de estrategias. Algunos de los algoritmos más utilizados fueron:

  • Ascensor más cercano (Nearest car), optimiza por distiancia
  • Priorización de llamadas coincidentes
  • Estimación del tiempo de llegada (Estimated time of arrival), optimiza por tiempo de trayecto

El algoritmo de control de destinos (Destination dispatch)

En los rascacielos de los años 90 se impuso el algoritmo de “control de destinos” (destination dispatch). En los sistemas de control basados en el destino (también conocidos como asignación de llamadas), los pasajeros indican el piso de destino en el rellano y el sistema responde indicando qué ascensor debe utilizarse. Este modelo fue creado a principios de los años 60 por el ingeniero Port de Sydney, pero no fue posible implementarlo de forma eficiente hasta el desarrollo del microprocesador.

Figura 3: Panel exterior de selección de destino (fuente)
Figura 3: Panel exterior de selección de destino (fuente)

Cuando se usa este algoritmo, el proceso de optimización dará lugar a que los pasajeros que viajen a los mismos pisos sean agrupados. Al hacer menos paradas, el viaje de ida y vuelta de los ascensores es más rápido.  Esto significa que pueden mover más personas, en otras palabras, tienen una mayor “capacidad de manejo”.

Figura 3: Ejemplo de funcionamiento del algoritmo "control de destinos" (con permiso)
Figura 3: Ejemplo de funcionamiento del algoritmo “control de destinos” (con permiso)

Primeras aplicaciones del aprendizaje automático en ascensores

Con todas estas posibles estrategias, el problema principal de los ingenieros pasó a ser qué algoritmo elegir. Pero, nuevamente, los avances en computación permitieron aplicar técnicas de machine learning para el desarrollo de una nueva herramienta: el control de grupo (elevator group control)

El control de grupo de ascensores es el algoritmo que se utiliza para asignar/adjudicar las solicitudes de parada para las distintas cabinas del grupo de ascensores minimizando una determinada función de coste. A medida que el controlador de grupo recibe más información, puede tomar mejores decisiones.  Las informaciones que pueden estar disponibles (además de las nuevas llamadas recibidas a asignar) son, por orden de importancia:

  • Posición de todas las cabinas
  • Sentido de movimiento de cada una (subida o bajada)
  • Patrón de tráfico (pico de subida/bajada, valle)
  • Número de pasajeros en cada cabina
  • Destino de los pasajeros dentro de la cabina
  • Llamadas asignadas a cada cabina

Las funciones de coste que busca minimizar el algoritmo pueden ser:

  • Duración del trayecto
  • Tiempo de espera del usuario
  • Acumulación de ascensores en una zona concreta del edificio (bunching)

El problema es que, según sea el tipo de tráfico, unos algoritmos funcionan mejor que otros a la hora de minimizar estas funciones de coste.

Ventajas del algoritmo control de grupos

No obstante, el control de grupos permite reducir tiempos de esperatiempos de viaje y consumo energético. A partir de los patrones de uso aprendidos por el sistema, por ejemplo, cuáles son las horas pico/valle, (¿entrada/salida, hora de comer?), los pisos de mayor preferencia (¿cafetería?) etc, éste selecciona de forma automática que cabina es más adecuada para atender cada petición de servicio.

Con este sistema, también se pueden asignar más ascensores a los pisos congestionados de manera flexible, o detectar que un ascensor ya está lleno y no asignarle más paradas.

También se maneja la prioridad entre la eficiencia de operatividad en las horas pico y la eficiencia energética en las horas con menos afluencia de usuarios.

Ascensores sensorizados y conectados a la nube

finales de 2015, ThyssenKrupp lanzó lo que llamó “la primera solución de mantenimiento predictivo en tiempo real basada en la nube” basada en la nube Microsoft Azure. En 2017 se sumaron Kone, con su “Servicio conectado 24/7″, y Schindler, con “Schindler Ahead”. El último de “los grandes” en sumarse fue Otis, que lanzó su “ascensor conectado” en 2018.

En 2019 Telefónica y Schindler anunciaron su alianza de conectividad digital, por la cual Telefónica se convirtió en el socio de IoT y de conectividad de red para la oferta digital de ascensores y escaleras mecánicas inteligentes Schindler Ahead.

Dotar a los ascensores y escaleras mecánicas de dispositivos de IO conectados a la nube y aplicar técnicas de machine learning a las lecturas de los dispositivos permite predecir cuándo puede producirse una avería y enviar a los técnicos a repararla antes de que se interrumpa el servicio.

Datos recogidos por sensores en las puertas, que dan información sobre su funcionamiento (¿pueden detectarse pequeños fallos en algún contacto, ligeros retrasos, se abren las puertas más de lo normal…?), del sistema de control que despacha las llamadas, de la funcionalidad de los botones (¿falla algún botón?), del comportamiento de parada y aceleración, la posición y el movimiento en el eje (¿alguna molesta vibración horizontal debida a un fuerte viento o movimiento sísmico?), el tiempo que se tarda en llegar, el volumen de uso etc.. Toda esa información se envía a la nube, donde los algoritmos de machine learning detectan comportamientos anómalos que alertan sobre posibles averías futuras.

También se pueden instalan sensores que controlan la humedad, la temperatura o las vibraciones. Este tipo de sensores permiten obtener insights más complejos, en los que el fallo se deba a una combinación particular de circunstancias. Por ejemplo, “Las puertas están tardando más en cerrarse, pero sólo ocurre en días húmedos y se asocia con la vibración en otra parte del ascensor”, que permiten a los ingenieros detectar rápidamente el origen de problemas persistentes.

En definitiva, la combinación de tecnologías IoT, Cloud y Machine Learning, permite que los ascensores no sólo sean más cómodos y eficientes, sino también más seguros. Estas importantes mejoras en el transporte vertical han dado un gran impulso a la construcción de grandes rascacielos.

Algunos datos curiosos para terminar

Los ascensores pueden alcanzar grandes alturas. Un ejemplo de esto son los ascensores del Burj Khalifa, en Dubai, que recorren 163 pisos; un increíble total de 828 metros.

También pueden alcanzar velocidades considerables, siempre respetando el confort de las personas que viajan en ellos. Los ascensores más rápidos del mundo se encuentran en el Shangai Tower en China,y alcanzan los 20.5 m/s, lo que se traduce en 74 km/h. Esta velocidad es 13 veces mayor a la que puede alcanzar un ascensor en cualquier edificio residencial.

En Madrid, la Torre de Cristal con 249 metros, es el edificio mas alto de España, y cuenta con 27 ascensores para dar servicio a sus 50 pisos.

Otro dato curioso sobre ascensores, es que España el país con mayor concentración de ascensores del mundo, como podemos ver en este análisis elaborado por Quartz en 2014.

Referencias:


Post original publicado en ThinkBig Empresas


Deja un comentario

Internet de las Cosas…arqueológicas

A finales de 2019, según IoT Analytics, había ya 9.500 millones de dispositivos conectados para consumidores, empresas y científicos. Las previsiones para 2025 triplican esta cifra, porque la fórmula: grandes volúmenes de datos + analíticas + conocimiento experto en un dominio sirve… para casi cualquier cosa. Desde gestionar dispositivos en el hogar, hasta controlar la contaminación o el tráfico en las ciudades, usar de forma más eficiente el agua en la agricultura, o ayudar a controlar la expansión de un virus. En el post de hoy veremos cómo también se puede usar para proteger nuestros tesoros arqueológicos, con un ejemplo mundialmente conocido: El Valle de los Reyes en Egipto.

Soluciones IoT para Geología: prevención de catástrofes

Normalmente, las soluciones IoT para Geología monitorizan el medio natural con el objeto de predecir y prevenir catástrofes naturales. Así, existen soluciones orientadas a predecir desbordamientos en ríos, hundimientos en túneles, o movimientos de tierras. Otras aplicaciones están orientadas a conocer el impacto del cambio climático sobre la estabilidad de determinadas formaciones rocosas.

La importancia de este estudio es evidente cuando estas “formaciones rocosas” forman parte de uno de los sitios arqueológicos más importantes del mundo, como es el Valle de los Reyes, situado en las afueras de Luxor, a orillas del Nilo. El Valle de los Reyes es una necrópolis del antiguo Egipto, donde se encuentran las tumbas de la mayoría de faraones del Imperio Nuevo. Entre ellas, la más conocida es la KV62, la tumba de Tutankamón (c. 1342 – c. 1325 a.C.), descubierta por Howard Carter en 1922.

Para garantizar la mejor conservación de las tumbas y la seguridad de los millones de turistas que las visitan cada año, es fundamental controlar la estabilidad de las formaciones calizas que rodean el valle y que pueden verse impactadas tanto por fenómenos sísmicos, como meteorológicos.

El proyecto del Valle de los Reyes

Para saber más, un equipo de la Universidad de York (Canadá), el Departamento de Ciencias de la Tierra de la ETH Zurich y la Universidad de Basilea realizó un estudio sobre la estabilidad del acantilado rocoso sobre la tumba KV42.

Los investigadores desarrollaron una modelización matemática del comportamiento de la roca, analizando factores como la absorción de humedadcambios de volumen debidos a cambios de temperatura, desplazamientos/fracturas provocadas por pequeños movimientos sísmicos lluvias torrenciales etc.

El papel de los sensores IoT

Los investigadores instalaron un conjunto de sensores IoT para monitorizar la roca y su entorno y generar los datos para entrenar el modelo. En particular, se instaló una estación meteorológica Plug & Sense Smart Agriculture Pro, de uno de nuestros partners, la empresa Libelium. La estación permite medir la velocidad y dirección del vientovolumen de precipitacionesradiación solartemperatura (del aire y de la roca), y grado de humedad. A la estación, alimentada por energía solar, se agregaron sensores adicionales:

  • Un dendrómetro, para medir cómo influye el crecimiento de los árboles en la apertura de la fractura
  • Un sismómetro
Figura 1: Sensores monitorizando la grieta (fuente)

Los sensores registran datos cada 15 minutos, los graban en memoria y posteriormente los envían a servidor remoto a través de una red celular (3G/4G).

De esta forma, se pueden controlar el impacto de la erosión sobre la grieta, y generar una alerta temprana en caso de riesgo de fractura, garantizando así la preservación del patrimonio histórico y la seguridad de los visitantes.

Conclusión

Las tecnologías de monitorización de grietas en materiales sólidos, cobran cada día mayor relevancia, no sólo en sitios históricos sino en cualquier otro tipo de estructuras naturales o humanas debido al impacto negativo que tienen sobre ellas fenómenos relacionados con el cambio climático.


Referencias: Alcaino-Olivares, Rodrigo & Perras, Matthew & Ziegler, Martin & Maissen, Jasmin. (2019). Cliff stability at tomb KV42 in the Valley of the Kings, Egypt: A first approach to numerical modelling and site investigation.

Post original publicado en ThinkBig Empresas


1 comentario

Machine Learning, satélites y drones contra “plagas bíblicas”

Los datos y los “insights” que podemos extraer de ellos gracias a la inteligencia artificial, son herramientas clave en la lucha contra algunos de los problemas más graves que tiene que enfrentar la Humanidad. Vamos a ver cómo no sólo nos ayudan a luchar contra problemas del siglo XXI, sino también pueden ayudar a combatir otros que nos vienen azotando desde la antigüedad, como son las plagas de langostas.

Un problema desde la antigüedad

En el Antiguo Testamento, la plaga de langostas era una de las ocho “plagas bíblicas” que Jehová envió para “ablandar el corazón del faraón” y que permitiera al pueblo elegido, dirigido por Moisés, huir de la esclavitud en Egipto. Hay muchas teorías que intentan explicar si las plagas bíblicas están basados en hechos reales o no. Pero, sin duda, la plaga de langostas es, de todas ellas, la más sencilla de explicar. Por dos motivos muy sencillos.

  • El primero, porque es sabido que, aunque este tipo de insectos suele actuar de forma individual, hay épocas en su vida en las que tienden a unirse en grupos gigantescos.
  • El segundo y principal, porque estas plagas han seguido apareciendo de forma recurrente durante siglos, afectando amplias zonas de África y otros países.

La última plaga de langostas en África, entre los años 2003 y 2004, abarcó dos o tres generaciones de insectos, llegó a veintitrés países africanos, y tardó dos años en ser controlada.

El problema hoy

Aunque la crisis del COVID19 relegaron a un segundo lugar las noticias referentes a este tema, a comienzos del 2020 extensas zonas África oriental y el Yemen, así como en los Estados del Golfo, el Irán, el Pakistán y la India se están enfrentando a la peor plaga de langostas (Schistocerca gregaria) de los últimos 70 años. Las condiciones meteorológicas y climáticas inusuales, incluidas las lluvias generalizadas y fuertes desde octubre de 2019, están detrás de este nuevo brote.

La langosta del desierto es la plaga migratoria más peligrosa del mundo. Según datos de la FAO, un enjambre de langostas de 1 kilómetro cuadrado puede devorar la misma cantidad de alimentos en un día que 35 mil personas. Por ello, su reciente reaparición supone una grave amenaza para la seguridad alimentaria y los medios de subsistencia en muchos países son economías, ya de por sí, extremadamente frágiles.

Mapa de distribución plaga (Observatorio de langostas de la FAO)
Figura 1: Mapa de distribución plaga (Observatorio de langostas de la FAO)

¿Cómo combatirlo?

Las estrategias más eficaces contra las plagas de langostas, se basan en la combinación de armas biológicas, como la fumigación aérea y terrestre, y armas tecnológicas, como el uso de drones, satélites y técnicas de machine learning para el control de los enjambres

Armas biológicas

Hasta mediados del siglo XX no se comprendió que el insecto solitario de color marrón claro que vive en el desierto es de la misma especie que las langostas rojas y amarillas de las plagas. Ya conocidas sus características biológicas, se empezó a usar la fumigación aérea para luchar contra esta plaga. Sin embargo, el uso de pesticidas a gran escala también suponía un riesgo para la salud humana y el medio ambiente.

Ciclo de vida de las langostas (Ministerio de Agricultura de Uganda)
Figura 2: Ciclo de vida de las langostas (Ministerio de Agricultura de Uganda)

Por ello, se han llevado a cabo diferentes investigaciones en pesticidas biológicos, que han supuesto importantes avances. Por poner algunos ejemplos:

  • El Phenylacetonitrilo -o PAN  es una feromona que, con menos de 10 milímetros por hectárea, hace que los insectos se disgreguen y vuelvan a un comportamiento solitario.
  • Green Muscle ® es un biopesticida cuyo principio activo son las esporas del hongo natural Metarhizium anisopliae varacridum. Este hongo germina en la piel de las langostas jóvenes, perfora su dermatoesqueleto, y destruye sus tejidos desde dentro. Se utiliza con éxito en Australia, pero presenta algunos problemas de usabilidad y coste que hasta ahora han limitado su uso en otras áreas.
  • Los Reguladores del Crecimiento de Insectos (IGR), que regulan la habilidad de los insectos jóvenes para mudar de piel y crecer y carecen de efectos tóxicos sobre los vertebrados. Son efectivos durante varias semanas después de su aplicación y se utilizan en los denominados tratamientos de “barrera”, que se aplican en forma perpendicular a la dirección de marcha de los insectos.

Pero para que estas “armas biológicas” sean efectivas, es fundamente hacer una monitorización continua de distintos parámetros en las posibles zonas de cría, y un seguimiento de los enjambres. A partir de estos datos, se crean modelos de machine learning que permiten la detección temprana de los brotes, clave para luchar contra esta plaga y minimizar su impacto sobre la población y el medio ambiente.

Armas tecnológicas: Machine learning, drones y satélites

Uno de los principales problemas en la obtención de datos fiables sobre el terreno es que las zonas de cría de las langostas se encuentran en los lugares más remotos y hostiles del mundo. Por ello, el uso de satélites, aviones o drones de reconocimiento, puede ser de gran ayuda.

Captación de datos

El eLocust2 es un dispositivo desarrollado por la Agencia Espacial Francesa que, en tan solo unos minutos, envía información  sobre condiciones ambientales y datos vitales de la langosta a los centros nacionales de lucha contra la plaga en los países afectados.  

Modelado de los datos

Existen distintos modelos de predicción de brotes basados en machine learning. Los primeros usaban como variables predictoras datos sobre precipitaciones o el índice de cubierta vegetal obtenidos por satélite. Modelos más recientes, que incorporan otros parámetros como el grado de humedad del suelo, y valores de temperatura en superficie y de humedad en la cubierta vegetal; han conseguido excelentes resultados en países como Mauritania.

Tareas de reconocimiento sobre el terreno

También en Mauritania, la ONU está poniendo a prueba el uso de drones en las tareas de vigilancia contra plagas. El uso de drones permite dedicar los aviones que antes se destinaban a tareas de reconocimiento y vigilancia de enjambres, a las tareas de fumigación. Dados que los aviones son bienes escasos en muchos de estos países, el poder dedicar un mayor número de ellos a las tareas de fumigación representa un gran avance.

Otras armas biológicas más “familiares”: gallinas y patos

Distintos medios, como la BBCBloombergTime y Daily Mail con cita al medio chino Ningbo Evening News— han divulgado la noticia del supuesto envío de un ejército de 100.000 patos de China a Pakistán para ayudar a combatir la peor plaga de langostas en décadas en ese país. Sin embargo, según expertos de la FAO, esta nueva “arma biológica” resulta del todo insuficiente, como podemos ver en este artículo de la agencia Reuters.

No obstante, dada la importancia de este problema, es interesante explorar nuevos enfoques a la hora de combatirlo.

Conclusión

Como hemos visto en tantas ocasiones, siempre que hay un problema que se puede resolver con datos, la inteligencia artificial, y como en este caso, el aprendizaje automático, se convierten en nuestros mejores aliados.


Post original publicado en ThinkBig Empresas