🚀 Escalamiento del Proyecto Cielo Río Grande
🎯 Objetivo del Escalamiento
El objetivo principal del escalamiento del sistema de monitoreo atmosférico automatizado desarrollado en el marco del proyecto Cielo Río Grande es ampliar sus capacidades técnicas, operativas y territoriales, consolidando una plataforma robusta, modular y replicable para la clasificación de nubosidad, detección de nubes noctilucentes (NLCs) y análisis meteorológico en tiempo real.
Este escalamiento busca:
- Mejorar la precisión del modelo de clasificación de nubosidad, especialmente en los niveles intermedios de octas (4, 5 y 6), mediante el enriquecimiento del dataset, la incorporación de arquitecturas alternativas y el ajuste de técnicas de entrenamiento que permitan una mejor generalización.
- Integrar nuevas funcionalidades de análisis atmosférico, como la detección automática de NLCs y la correlación con variables meteorológicas (vapor de agua GNSS, radiación solar, temperatura superficial).
- Expandir el sistema a otras estaciones astronómicas o meteorológicas, replicando la arquitectura modular de captura, procesamiento y visualización, y promoviendo la interoperabilidad entre observatorios.
- Fortalecer la trazabilidad y confiabilidad de los datos, mejorando el pipeline automático, el backfill histórico y la validación cruzada de registros.
- Abrir el sistema a la comunidad científica y educativa, publicando una API REST documentada y dashboards interactivos, promoviendo el desarrollo de proyectos innovadores basados en los datos recolectados.
🛰️ En síntesis, el escalamiento del proyecto apunta a consolidar una solución integral, escalable y replicable para el monitoreo inteligente del cielo, combinando visión artificial, ciencia de datos y meteorología aplicada.
⚙️ Estrategias de Escalamiento
A continuación se detallan las acciones propuestas en cada eje estratégico:
A. Técnicas de Mejora de Modelos
- Clasificación ordinal: reemplazar la clasificación categórica por un enfoque ordinal que reconozca la progresión continua entre niveles de octas, reduciendo la confusión entre clases vecinas.
- Exploración de arquitecturas alternativas: evaluar modelos más avanzados como ConvNeXt o Swin Transformers, capaces de capturar mejor las características visuales en imágenes astronómicas.
B. Expansión del Dataset
- Recolección activa de imágenes intermedias: campañas de captura focalizadas en niveles de nubosidad poco representados (octas 4, 5 y 6), tanto en condiciones claras como oscuras.
- Generación sintética con GANs: uso de redes generativas adversarias para crear imágenes artificiales que refuercen clases minoritarias, manteniendo coherencia visual con el dominio astronómico.
- Etiquetado colaborativo y revisión cruzada: sistema distribuido de validación manual entre múltiples observadores, con revisión cruzada y enlaces a imágenes de otras estaciones astronómicas o meteorológicas, promoviendo la estandarización del etiquetado y la mejora continua del modelo.
C. Integración de Nuevas Funcionalidades
- Módulo de detección de NLCs: entrenamiento de una red neuronal específica para identificar nubes noctilucentes, centrada en imágenes con ángulo solar entre -7° y -10.5° durante diciembre y enero.
- Correlación con datos GNSS y radiación solar: incorporación de variables meteorológicas como vapor de agua GNSS, radiación solar y temperatura superficial, para generar modelos híbridos que combinen visión artificial con datos numéricos.
- Dashboard avanzado con alertas y capas satelitales: integración de datos satelitales (OpenWeatherMap, GOES) y alertas automáticas ante cambios de nubosidad o detección de NLCs.
- Análisis temporal y predicción futura: uso de modelos de series temporales (LSTM, Prophet) para predecir la evolución de la nubosidad y anticipar ventanas de cielo despejado.
- Comparación con imágenes de otras estaciones: galería de referencia y consulta cruzada con cámaras de Ezeiza, Bariloche, Ushuaia u otras estaciones.
D. Escalamiento Territorial e Institucional
- Replicación del sistema: adaptación de la arquitectura modular para su implementación en nuevos observatorios astronómicos o meteorológicos, manteniendo compatibilidad con el pipeline actual.
- Convenios institucionales: acuerdos con universidades, institutos técnicos y organismos meteorológicos para compartir datos, validar modelos y ampliar cobertura territorial.
- Publicación abierta de la API REST: acceso libre y documentado a predicciones, imágenes procesadas y datos meteorológicos, fomentando la colaboración educativa, científica y tecnológica.
🧭 Conclusión
El escalamiento del proyecto Cielo Río Grande representa una oportunidad estratégica para consolidar un sistema inteligente de monitoreo atmosférico que combina visión artificial, ciencia de datos y meteorología aplicada.
A través de la mejora de modelos, la expansión del dataset, la integración de nuevas funcionalidades y la apertura institucional, se busca fortalecer la precisión, la interoperabilidad y el impacto del sistema tanto a nivel local como regional.
La incorporación de tecnologías avanzadas —como arquitecturas modernas, clasificación ordinal, análisis temporal y correlación con datos GNSS— permitirá abordar los desafíos actuales en la clasificación de nubosidad y enriquecer el análisis atmosférico.
🌠 Este plan estratégico apunta a transformar Cielo Río Grande en una plataforma de referencia para la observación automatizada del cielo, con potencial de replicación en otras estaciones y aplicaciones en ámbitos científicos, técnicos y educativos.
