Manual de Usuario

Manual de Usuario

Cielo Río Grande es un sistema desarrollado con el propósito de facilitar la visualización en tiempo real del cielo de la ciudad de Río Grande y la clasificación automática del nivel de nubosidad mediante un modelo de inteligencia artificial entrenado con imágenes astronómicas locales.

El proyecto está dirigido a la Estación Astronómica de Río Grande (EARG) y a la comunidad científica y educativa del Centro Politécnico Malvinas Argentinas, así como a toda persona interesada en el monitoreo atmosférico y la observación astronómica automatizada.

El sistema permite observar el estado actual del cielo y obtener una predicción automática del nivel de nubosidad expresado en octas (de 0 a 8), facilitando el registro y análisis de condiciones atmosféricas locales en apoyo a tareas de observación astronómica, investigación educativa y proyectos de ciencia ciudadana.

Alcance
Hace:

  • Clasifica imágenes del cielo según su nivel de nubosidad (0–8 octas).

  • Muestra el estado del cielo en vivo a través de una interfaz web.

  • Gestiona datos meteorológicos e históricos.

  • Expone información mediante una API para integración con otros sistemas.

No hace:

  • No controla ni opera equipos astronómicos.

  • No realiza predicciones meteorológicas completas.

  • No reemplaza las observaciones profesionales de los técnicos del observatorio.

Plataforma y tecnología

Cielo Río Grande funciona como una aplicación web compuesta por un backend desarrollado en FastAPI (Python) y un frontend en React, lo que permite su uso tanto en entornos locales como remotos.

Roles de usuario

  • Investigadores y técnicos de la EARG: uso operativo y validación de resultados.

  • Estudiantes y docentes: utilización con fines académicos y de experimentación.

  • Usuarios públicos: acceso a la visualización del cielo y estadísticas básicas.

Entorno de ejecución

El sistema puede ejecutarse en entornos locales o en el servidor de la EARG, con posibilidad de despliegue en plataformas en la nube (como Google Colab o entornos con GPU compatibles).

Requisitos mínimos

  • Sistema operativo: Windows 10+, Linux o macOS.

  • Memoria RAM: mínimo 8 GB (recomendado 16 GB).

  • Software necesario: Python 3.10+, Node.js 18+, navegador Chrome o Edge actualizado.

  • GPU (opcional): compatible con CUDA para entrenamiento.

Acceso al sistema

Instalación y configuración

El proyecto se encuentra en un único repositorio GitHub:

https://github.com/casescas/Equipo-4-PP2-ASTRONOMICA-2C-2025

Dentro del repositorio, la aplicación completa está organizada en la carpeta principal:
cielo-rio-grande/

  • /backend: implementación de la API en FastAPI (Python).
  • /frontend: interfaz de usuario desarrollada en React.

1. Clonar repositorio

Luego, para ingresar a la carpeta del proyecto principal, ejecutar:

2. Instalar dependencias

Backend:

  1. Ingresar a la carpeta del backend:

  1. (Opcional pero recomendado) crear entorno virtual:

  1. Instalar dependencias del backend:

Frontend:

  1. Ingresar a la carpeta del frontend:
  2. Instalar dependencias del frontend:

3.Inicio del sistema:

  1. Backend:

Ejecutar la carpeta

Nos indica que el backend FastApi está funcionando correctamente.
Corre en el puerto 8000 → http://127.0.0.1:8000

  1. Frontend:


Nos indica que el frontend React está iniciado y funcionando correctamente.

Una vez activos ambos servicios, se abre automáticamente la web en el navegador predeterminado o ingresando a: http://localhost:3000
No se requiere inicio de sesión; el acceso es directo y libre para los usuarios del entorno local o de red interna.

Uso del sistema

La interfaz principal de Cielo Río Grande se presenta en una única pantalla que combina la imagen del cielo capturada por la cámara astronómica en tiempo real junto con los resultados del modelo de clasificación. Además, incorpora información meteorológica detallada (como temperatura, humedad, viento, presión y descripción del clima), datos de radiación solar e índice UV, vistas satelitales y de radar, y un panel de analíticas de nubosidad con estadísticas globales, gráficos y opciones de exportación de datos.

Sección superior: vista general del cielo y clasificación de nubes

En la parte izquierda se muestra una imagen estática actualizada automáticamente cada 10 minutos, la imagen procede del sitio oficial del observatorio: http://201.251.63.225/meteorologia/cielo/image/

A la derecha, el panel “Modelo de Clasificación de Nubes” expone la información generada por la inteligencia artificial, a partir de la imagen actual del cielo. Este panel es solo informativo y no requiere interacción del usuario.
Los datos principales que presenta son:

  • Cobertura (%): indica el porcentaje estimado del cielo cubierto por nubes.

  • Tipo dominante: muestra la abreviatura y descripción general del tipo de nubosidad (por ejemplo, “SCT — Nubes dispersas”).

  • Octas: representa el nivel de nubosidad total en una escala de 0 a 8 (según la clasificación internacional de octas).

  • Confianza (%): nivel de certeza del modelo respecto a la clasificación mostrada, acompañado de un gráfico circular de color verde que facilita su lectura visual.

En la parte inferior del panel se especifica el modelo de IA utilizado (por ejemplo: EfficientNet-B0) y el modo de inferencia actual (local o remoto).

Sección media: información meteorológica y radiación solar

La sección media de la interfaz concentra la información meteorológica general y los indicadores de radiación solar, UV y cobertura satelital. Se compone de tres módulos principales:

  • Clima Detallado: muestra los datos actuales de temperatura, sensación térmica, humedad, dirección y velocidad del viento, presión atmosférica y una breve descripción del estado del cielo.
    Estos valores se obtienen automáticamente de la API de OpenWeatherMap, un servicio meteorológico global que actualiza los datos en tiempo real.

  • Radiación Solar y UV: presenta los valores de radiación actual (en W/m²), el índice UV y su nivel de riesgo asociado (bajo, moderado o alto).
    Los datos provienen mediante web scraping de la página meteorológica local de la Estación Astronómica de Río Grande
    (http://201.251.63.225/meteorologia/vp2s1/vantalhb.htm)
    y se actualizan en tiempo real, reflejando las condiciones medidas por los sensores de la estación.

  • Satélite / Radar: permite visualizar una vista satelital o radar de la nubosidad. Al presionar el botón “Ver Nubes”, se activa la visualización, cargando la imagen satelital o radar correspondiente. El botón “Limpiar” desactiva o limpia la vista, volviendo al estado inicial del panel.

Sección inferior: analíticas de nubosidad – evolución y comportamiento

La sección inferior de la interfaz presenta el panel de Analíticas de Nubosidad, donde se visualizan métricas globales y estadísticas históricas generadas automáticamente por el sistema.
Estas analíticas permiten evaluar el rendimiento del modelo y observar la evolución del cielo a lo largo del tiempo.

El panel de analíticas se actualiza de forma continua leyendo directamente de esa base de datos, lo que permite que las gráficas y tablas se mantengan sincronizadas sin intervención del usuario.

Los indicadores principales que se muestran en la parte superior del panel son:

  • Total de imágenes procesadas: cantidad total de observaciones analizadas por el modelo.

  • Tiempo de predicción promedio: duración media del proceso de inferencia (en segundos).

  • Octas global promedio: valor medio de nubosidad acumulado en el período seleccionado.

  • Confianza promedio: porcentaje promedio de certeza del modelo en las predicciones.

A continuación se presenta un gráfico de líneas que muestra la variación de nubosidad (octas por hora) según el rango temporal elegido —día, semana, mes o rango personalizado—, y un gráfico circular de distribución que indica la frecuencia de cada categoría de nubosidad.

Debajo de los gráficos, la tabla de resumen detalla los valores promedio y las categorías dominantes del período analizado.

Los botones de exportación permiten conservar o compartir los resultados:

  • PDF: genera un informe visual de toda la sección de analíticas, incluyendo gráficos y tabla de resumen.

  • CSV / Excel: exportan los datos numéricos de la tabla inferior (promedios, categorías dominantes, porcentajes, etc.), de acuerdo con el filtro temporal aplicado.

Flujo de trabajo típico

  1. Acceso al sistema:
    El usuario ingresa al sitio web principal de la aplicación desde un navegador compatible, accediendo a la dirección http://localhost:3000 o a la URL asignada por la Estación Astronómica de Río Grande.

  2. Carga automática de información:
    Al iniciar la aplicación, el sistema actualiza automáticamente la imagen del cielo (cada 10 minutos) y los datos meteorológicos asociados —temperatura, humedad, presión, viento, radiación solar e índice UV— sin necesidad de presionar ningún botón.

  3. Visualización del modelo de IA:
    En la parte superior de la interfaz, el panel de Modelo de Clasificación de Nubes muestra el resultado de la última inferencia: porcentaje de cobertura, tipo dominante de nubosidad, cantidad de octas y nivel de confianza de la predicción.

  4. Consulta del radar satelital:
    En caso de desear visualizar la cobertura de nubes por radar o satélite, el usuario puede presionar el botón “Ver Nubes” en la sección correspondiente.
    Este es el único elemento interactivo de la página principal; al activarlo se cargan las imágenes de radar. El botón “Limpiar” permite regresar al estado inicial.

  5. Exploración de analíticas y estadísticas:
    En la parte inferior del sitio, el panel de Analíticas de Nubosidad presenta la evolución del cielo durante el día, con gráficos, promedios y categorías predominantes.
    Estas métricas se actualizan automáticamente en función de las observaciones almacenadas por el sistema.

  6. Exportación de información (opcional):
    Si el usuario desea conservar o compartir los resultados, puede utilizar los botones de exportación:

  7. PDF: genera un informe visual con los gráficos y la tabla de resumen.

  8. CSV / Excel: descargan los datos numéricos agregados del período seleccionado.

De este modo, el flujo de uso del sistema es mayormente pasivo y orientado a la observación, brindando información meteorológica y analítica actualizada de forma continua y accesible desde un único entorno web.

Actualización del modelo de inteligencia artificial

El sistema Cielo Río Grande está diseñado para operar de manera continua y autónoma.
Cuando se dispone de una nueva versión del modelo de clasificación, la actualización se realiza de forma manual siguiendo estos pasos:

  1. Reemplazar el archivo del modelo en el directorio:
    cielo-rio-grande/backend/models/
    Puede hacerse de dos maneras:

  2. Sustituyendo el archivo existente mejor_modelo_efficientnet_finetuning.pth por la nueva versión, manteniendo el mismo nombre.

  3. O bien, agregando un nuevo archivo con otro nombre y actualizando la variable OCTAS_MODEL_PATH en el archivo
    backend/config/config.py para que apunte al nuevo modelo.

  4. Reiniciar el servidor del backend.
    Una vez reiniciado, el sistema cargará el nuevo modelo automáticamente y comenzará a utilizarlo en las predicciones siguientes.

Cada predicción que realiza el sistema registra, además de los resultados de nubosidad, la versión del modelo utilizada, almacenándola en la base de datos en la columna modelo_version. Esto permite mantener la trazabilidad de los resultados y conocer qué versión del modelo generó cada registro histórico.

Problemas frecuentes y mantenimiento preventivo

En virtud de la integración entre componentes locales y servicios meteorológicos externos, se establecieron lineamientos de mantenimiento preventivo destinados a preservar la confiabilidad, estabilidad y continuidad operativa del sistema Cielo Río Grande.

Integración con servicios externos

El sistema se conecta de manera permanente con fuentes meteorológicas y de observación, tales como la cámara astronómica local, la API de OpenWeatherMap y la página meteorológica de la EARG.

Para asegurar su correcto funcionamiento:

  • Se recomienda verificar periódicamente la disponibilidad de los servicios externos y mantener actualizadas las credenciales de acceso (por ejemplo, la API Key de OpenWeatherMap).

  • Ante modificaciones en las fuentes de datos (estructura web o formato), el sistema permite ajustar rápidamente los scripts de extracción o reemplazarlos por interfaces API equivalentes, sin afectar el resto de la arquitectura.

Actualización del modelo de inteligencia artificial
El proceso de actualización del modelo ha sido diseñado para ser simple y trazable.
Reemplazando el archivo de pesos del modelo en el directorio correspondiente o actualizando la variable de configuración OCTAS_MODEL_PATH, el sistema carga automáticamente la nueva versión tras reiniciar el backend.
Para prevenir inconsistencias, se recomienda:

  • Verificar previamente la compatibilidad del nuevo modelo con la estructura del servicio.

  • Mantener una copia de respaldo del modelo anterior antes de la actualización.

  • Documentar la versión utilizada en cada despliegue (el sistema ya registra esta información en la base de datos de manera automática).

Base de datos y almacenamiento
La base de datos de predicciones (registros-octas.db) almacena todo el historial operativo.
Para garantizar su integridad:

  • Se sugiere realizar copias de seguridad periódicas y monitorear el espacio disponible en disco.

  • En entornos de alta carga, puede configurarse la rotación o archivado automático de registros antiguos.

Entorno y dependencias
El correcto funcionamiento del sistema depende de la coherencia entre las versiones de software utilizadas.

  • Se recomienda mantener los entornos controlados y documentar las versiones exactas de Python, Node.js y librerías asociadas (según requirements.txt y package.json).

  • En actualizaciones mayores, probar previamente la instalación en un entorno de prueba para evitar conflictos o comportamientos inesperados.

Estructura general del sistema

Anexo Técnico

Glosario de términos clave

Octas: unidad utilizada en meteorología para medir la cobertura nubosa. Va de 0 (cielo despejado) a 8 (totalmente cubierto).

Inferencia:** proceso por el cual un modelo de IA entrenado recibe nuevos datos (una imagen) y genera una predicción (porcentaje de nubosidad, tipo de nube, etc.).

Confianza del modelo:** porcentaje que refleja cuán seguro está el modelo de IA sobre la predicción realizada.

Openweathermap: servicio meteorológico global que ofrece datos climáticos en tiempo real a través de una API.

Scraper / web scraping:** técnica que permite obtener información desde páginas web. En este sistema se usa para leer datos de radiación local.

Backend: parte del sistema que procesa la lógica interna, se comunica con los servicios externos y ejecuta el modelo de IA.

Frontend: interfaz visual que permite al usuario interactuar con los datos y visualizar los resultados.

Créditos y referencias

Equipo 4 de Astronómica

Carmueda, Juan Pablo
Estrada, Diego
González Sardi, Iara
Quinteros, Francisco Nicolás
Isa, Facundo Nicolás

Institución: Centro Politecnico Superior Malvinas Argentinas.

Proyecto: Sistema de Monitoreo y Predicción de Cobertura Nubosa (Cielo Rio Grande)

Tecnologías y librerías principales:
-Backend: Python · FastAPI (API REST) · PyTorch & TensorFlow (modelo IA) · OpenCV (procesamiento de imágenes) · APScheduler (tareas programadas) · BeautifulSoup4 (web scraping)

-Frontend: React.js · Tailwind CSS · Recharts (gráficos) · jsPDF y xlsx (exportación de datos)

-Modelo IA: EfficientNetB0 (arquitectura base de clasificación de imágenes)

Fuentes de datos:

  • Imagen del cielo obtenida desde la página oficial de la Estación Astronómica de Río Grande (EARG): http://201.251.63.225/meteorologia/cielo/image/

  • API de OpenWeatherMap (datos meteorológicos): https://openweathermap.org/api

  • Web local EARG para radiación solar: http://201.251.63.225/meteorologia/vp2s1/vantalhb.htm

Repositorio oficial:
https://github.com/casescas/Equipo-4-PP2-ASTRONOMICA-2C-2025

Referencias técnicas:

alt text