DOI:
https://doi.org/10.14483/23448407.15658Publicado:
2019-12-05Número:
Núm. 14 (2019)Sección:
Artículo de investigación científica y tecnológicaImpacto de las tecnologías disruptivas en la percepción remota: big data, internet de las cosas e inteligencia artificial
Impact of disruptive technologies in remote sensing: Big data, internet of things and artificial intelligence.
Palabras clave:
smart agriculture, cloud computing, proximal sen-sors, embedded sensors, remote sensing, disruptive technologies (en).Palabras clave:
agricultura inteligente, computación en la nube, sensores cercanos, sensores embebidos, sensores remotos, tecnologías disruptivas (es).Descargas
Resumen (es)
En la actualidad, las tecnologías disruptivas, como big data (BD), internet de las coas (IoT), inteligencia artificial (IA) y computación en la nube, tienen un gran impacto en la industria, las finanzas, la medicina y la agricultura. La percepción remota no es ajena a ellas. En consecuencia, en este artículo se destacan las características de big data de las imágenes (volumen, variedad y velocidad); la integración de los sensores remotos, con los sensores cercanos y embebidos, vía internet, configurando el internet de las cosas en percepción remota, y el impacto de la inteligencia artificial, que con sus componentes como las redes neuronales artificiales y los software inteligentes, permiten analizar las imágenes, conocer de manera automática su contenido de nubes, y diseñar naves espaciales autónomas que envían a la Tierra solo información relevante. Se concluye que el mayor potencial de ellas se manifiesta cuando actúan de manera integrada, como en el caso de la agricultura inteligente.
Resumen (en)
Currently, disruptive technologies such as big data (BD), the internet of the things (IoT), artificial intelligence (AI) and cloud computing, have a great impact in the fields such as industry, finance, medicine and agriculture. Remote sensing is not alien to it. Consequently, this article highlights the big data characteristics of the images (volume, variety and velocity); the integration of remote sensors, with nearby and embedded sensors, via the internet, configuring the internet of things in remote perception, and the impact of artificial intelligence, which with its components such as artificial neural networks and intelligent software, allow Analyze images, automatically know their cloud content, and design autonomous spacecraft that send only relevant information to earth. It is concluded that the greatest potential of them is manifested when they act in an integrated manner as in the case of intelligent agriculture.
Referencias
Adamchuk, V.R. y Viscarra, R.A. (2010). Development of on – the – go proximal soil sensor systems. En R.A. Viscarra, A. McBratney y B. Minasny (eds.), Proximal soil sensing (pp. 15-28). Nueva York: Springer.
Burrough, P.A. (1992). Development of intelligent geo-graphical information systems. Int. J. Geographical Information systems,6(1), 1-11.
Channe, H., Kothari, S. y Kadam, D. (2015). Multi-displinary model for Smart agricultura of the things (IoI), sensors, cloud-computing, movile-computing & big data analysis. Int. J. Computer Technology & Ap-plications,6(3), 374-382.
Chi, M., Plaza, A., Benediktsson, J.A., Sun, Z., Shen, J. y Zhu, y. (2016). Big data for remote sensing: challenges and op-portunities. Proceedings of the IEEE, 104(11), 2207-2219.
Chien E. (2004). The E0-1 Autonomous Spacecraft and prospects for future autonomous space exploration. California: Jet Propulsion Laboratory.
Dey, N., Bhatt, Ch. y Ashour, E.S. (eds.) (2019). Big data for remote sensing: visualization, analysis and interpre-tation. Suiza: Springer.
Gomarasca, M.A. (2009). Basic of geomatics. Nueva York: Springer.
Green, K. (2018). Imagery and GIS Integration: why now? ArcUser, 21(1), 60-61.
Guerrero-Ibañez, J., Estrada – Gonzalez, F. Medina – Te-jada, M., Rivera – Gutiérrez, Ma., Alcaraz-Aguirre, J., Maldonado-Mendoza, C., Toledo-Zuñiga, D. y Lo-pez-Gonzalez, V. (2017). SGreenH-IoT: Platforma IoT para agricultura de precisión. Sistemas, Cibernética e Informática, 14(2), 53-58.
Jordan, L. (2018). A special relationship exists between remote sensing and GIS. ArcUser, 21(1), 43-44.
Joyanes, L. (2013). Big data. Análisis de grandes volúme-nes de datos en organizaciones. México: Alfaomega.
Kruize, J.W. (2017). From data harvesting with IoT to Big Data in agricultura-current initiatives and future perspectives [Power Point presentatie-slide 15]. 29 no-vember 2017. Recuperado de 210.68.8.75/download/S3/S3_Dr.%20kruize.pdf.
Leiva, F. (ed.). (2008). Agricultura de precisión en cultivos transitorios. Bogotá: Editorial Univ. Nacional de Colombia.
León, J. (2010a). La inteligencia artificial convencional y la inteligencia artificial distribuida (IAD) en los programas espaciales de observación de la tierra. Análisis Geográ-ficos, 44, 129-143.
León, J. (2010b). El radar y sus aplicaciones en la agricul-tura. Análisis Geográficos, 44, 159 -174.
Liu, P. (2015). A survey of remote sensing big data. Front. Environ. Sci., 3(45). DOI: 10.3389/fenvs.2015.00045.
Liu, P., Di, L., Du, Q. y Wang, L. (2018). Remote sensing big data: theory, methods and applications.
Remote Sens., 10. Doi: 10.3390/rs10050711.
Lyer, A. (2018). The evolution of remote sensing: Deliv-ering on the promise of IoT. Recuperado de https://www.datanami.com.
Madrigal, V. (2019). Myriad: Earth observation automa-tised using drones, IoT, AI and satellites. Recuperado de: https://www.space-of-innovation.comMcAllister, J. (1991). Inteligencia artificial. Barcelona: Limusa.
Moclan, C. (2016). Teledetección espacial: de los métodos clásicos al big data. [Tesis Doctoral]. Universidad de Valladolid, España.
Openshaw, S. y Openshaw, C. (1997). Artificial intelligence in Geography. Inglaterra: John Wiley.
Salazar, J. y Fedez-Arroyabe, P. (2019). Aerial and satellite imagery and Big Data: Blending old Technologies with new trends. En N. Dey, CH. Bhatt y A. Ashour (eds.). Big Data for remote sensing: visualization, analysis and interpretation (pp. 39-59). Suiza: Springer.
Schwab, K. (2016). The fourth industrial revolution. Suiza: Word Economic Forum.
Sierra, G., Bonson, E.; Núñez, C. y Orta, M. (1995). Sis-temas expertos en contabilidad y administración de empresas. Madrid: Ra-Ma.
Tzafestas, S.G. (2018). Synergy of IoT and IA in modern society: the robotics and automation case. Robot Au-tom Eng J., 3(5), 1-15.
Villa, G. Amoros, J., Bautista, N., Domenech, E., Gómez, L., Plaza, N., Ruíz A. y Tejeiro, J.A. (2015). Técnicas big data para procesado multitemporal de imágenes en el proyecto FP7 SensyF (Sentinels Synergy Framework).En J. Bustamante, R. Díaz-Delgado, D. Aragonéz, I. Afán y D. García (eds.). Actas del XVI Congreso de la Asociación Española de Teledetección (pp. 513-516). Sevilla 21-23 octubre 2015.
Viscarra, R.A., McBratney, A., Minasny, B. (eds.) (2010). Proximal soil sensing. Nueva York: Springer.
Wang, L., Ma, Y., Yan, J. Chang; V. y Zomaya, A.Y. (2016). Pips Cloud: High performance cloud computing for remote sensig big data management and processing. Future Generation Computer Systems, 78(1) 353-368.
Yang, Ch., Goodchild, M., Huang, Q., Nebert, D., Raskin, R., Xu, Y., Bambacus, M. y Fay, D. (2011). Spatial Cloud computing. How geospatial sciences could use and help to shape cloud computing? Int. J. on Digital Earth, 5, 305-329.
Zhang, L., Du, Q. y Datcu, M. (2015). Management and analytics of remote sensing big data. Journal of Applied Remote Sensing, 9(1).
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
La revista UD y la Geomática se encuentra bajo una licencia Creative Commons - 2.5 Colombia License.
Atribución - No Comercial - Sin Derivadas
