☁️🚀 Proyecto Cielo Río Grande – Equipo 4 · PP2 Astronómica 2C 2025
Proyecto de Ciencia de Datos e Inteligencia Artificial aplicado al análisis de la cobertura nubosa en Río Grande (Tierra del Fuego, Argentina).
🛰️ Descripción general
Este repositorio contiene el desarrollo completo del proyecto Cielo Río Grande, una aplicación que utiliza técnicas de inteligencia artificial y visión por computadora para analizar imágenes capturadas por la Estación Astronómica de Río Grande (EARG), clasificando automáticamente el nivel de nubosidad.
El proyecto forma parte de la materia Prácticas Profesionalizantes II (Astronómica) de la Tecnicatura Superior de Ciencia de Datos e IA del Politécnico Malvinas Argentinas, y busca aplicar de manera práctica los conocimientos adquiridos en la tecnicatura, desde el procesamiento de datos y entrenamiento del modelo hasta la evaluación de resultados y su visualización técnica.
👥 Equipo
- Carmueda, Pablo
- Estrada, Diego
- Isa, Facundo
- González Sardi, Iara
- Quinteros, Nicolás
🎯 Objetivo General
Desarrollar una aplicación capaz de clasificar automáticamente el tipo de cielo (según el sistema OCTAS) a partir de imágenes capturadas por cámaras locales, utilizando un modelo de aprendizaje profundo (EfficientNet-B0) y desplegando los resultados en un dashboard interactivo.
⚙️ Componentes Principales
- Backend (FastAPI): gestiona el modelo de clasificación, expone endpoints y registra predicciones en una base de datos SQLite.
- Frontend (React + Recharts): muestra el historial de predicciones, gráficos de evolución y permite exportar reportes en PDF.
- Modelo de IA: red neuronal EfficientNet-B0 entrenada para clasificar imágenes según categorías de cobertura nubosa.
- Pipeline de datos: procesos de backfill o ejecuciones en tiempo real y almacenamiento estructurado de resultados.
- Documentación: sitio generado con MkDocs que centraliza manuales técnicos, guías y documentación del código.
📁 Estructura del Repositorio
Equipo-4-PP2-ASTRONOMICA-2C-2025/
├── 01.Data/
├── 02.Notebooks/
├── 03.SRC/
├── 04.Reports/
├── 05.Models/
├── 06.Docs/
├── cielo-rio-grande/
│ ├── backend/
│ ├── frontend/
│ └── docs/
├── .gitignore
├── LICENSE
├── mkdocs.yml
├── README.md
└── requirements.txt
🧩 Requisitos
- Python 3.12+
- Node.js 18+ y npm
- Git
- (Opcional) CUDA/cuDNN si se utiliza GPU para PyTorch
🔬 Modelo y Entrenamiento
El sistema utiliza EfficientNet-B0, seleccionado por su equilibrio entre precisión y eficiencia computacional.
Fue entrenado en PyTorch con fine-tuning completo sobre imágenes clasificadas según la escala OCTAS (0–8).
| Dataset | Accuracy | Loss |
|---|---|---|
| Entrenamiento | 74.9 % | 0.135 |
| Validación | 67.6 % | 0.271 |
El entrenamiento se detuvo en la época 80 mediante Early Stopping, mostrando ligera tendencia al sobreajuste pero desempeño estable en clases extremas (0 y 8).
🔁 Flujo de Datos y Backfill
El pipeline procesa imágenes capturadas por la EARG cada 10 minutos mediante un scheduler APScheduler.
Pasos principales:
1. Obtiene de la imagen (utils.image_utils)
2. Clasificación con predict_octas()
3. Registro en SQLite (data/registros-octas.db)
Ejemplo de salida:
📊 Backfill → total = 864 | nuevos = 830 | duplicados = 28 | fallidos = 6
🌐 Endpoints API
| Endpoint | Método | Descripción |
|---|---|---|
/octas |
GET | Última predicción registrada |
/historial |
GET | Registros históricos filtrables por fecha |
/imagen |
GET | Última imagen del cielo disponible |
/satellite |
GET | Imagen satelital de nubosidad (OpenWeatherMap) |
/clima |
GET | Datos meteorológicos actuales |
📈 Conclusiones
El proyecto Cielo Río Grande consolida un sistema completo para el análisis automatizado de la nubosidad local mediante técnicas de inteligencia artificial y procesamiento de imágenes.
El modelo EfficientNet-B0 alcanzó un rendimiento sólido, especialmente en los extremos de la escala OCTAS, confirmando la viabilidad de aplicar deep learning en entornos con recursos limitados.
La arquitectura implementada —modelo de IA, backend FastAPI, frontend React y pipeline automatizado— posibilita tanto el análisis histórico como la predicción en tiempo real, aportando valor a la observación astronómica local.
Desarrollado por el Equipo 4 – PP2 Astronómica (2C 2025)
para la Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial del Politécnico Malvinas Argentinas,
en colaboración con la Estación Astronómica de Río Grande (EARG).
