Drones, datos y respuesta ante desastres: una alianza eficaz
Los desastres naturales y las crisis humanitarias están aumentando tanto en frecuencia como en intensidad. Desde inundaciones e incendios forestales hasta terremotos y desplazamientos masivos, estos eventos dejan tras de sí caos y una necesidad urgente de conocimiento situacional en tiempo real.
Tradicionalmente, los equipos de respuesta dependían de evaluaciones sobre el terreno o de datos satelitales. Sin embargo, estos enfoques suelen ser:
- Demasiado lentos
- Demasiado generales
- O inaccesibles en tiempo real
Aquí es donde entran en juego los drones. Ligeros, portátiles y capaces de desplazarse por terrenos difíciles o bloqueados, los drones pueden proporcionar imágenes aéreas de alta resolución en cuestión de minutos. Y, con una anotación adecuada, estas imágenes se convierten en datos de entrenamiento para modelos de IA que pueden:
- Detectar supervivientes entre escombros o en el agua
- Evaluar la integridad de edificios y los niveles de inundación
- Identificar carreteras bloqueadas y rutas de acceso disponibles
- Analizar el movimiento de población en campamentos de refugiados
Organizaciones como UNOSAT, Médicos Sin Fronteras (MSF) y la Cruz Roja ya han incorporado drones a sus herramientas de respuesta ante crisis. Pero para que los drones sean realmente inteligentes, necesitan una cosa: datos anotados.
Contexto del caso: cuando la IA se encuentra con la urgencia humanitaria
Este caso práctico surge de una colaboración entre un laboratorio de IA centrado en fines humanitarios y una organización sin ánimo de lucro dedicada al mapeo con drones en regiones del Sudeste Asiático propensas a tifones. El proyecto tenía un objetivo claro:
Utilizar imágenes de drones anotadas con clases precisas y específicas para crisis con el fin de entrenar modelos de IA capaces de apoyar la toma de decisiones automatizada durante desastres.
Casos de uso cubiertos:
- Mapeo de inundaciones posteriores a ciclones y búsqueda y rescate
- Clasificación de daños por terremoto en aldeas remotas
- Detección de obstrucciones en carreteras para la entrega de ayuda de última milla
- Búsqueda térmica de supervivientes durante la noche
- Seguimiento de la instalación y expansión de refugios de emergencia en campamentos
Con miles de imágenes de drones recopiladas en tiempo real, el principal cuello de botella pasó a ser: ¿cómo convertir estos datos en inteligencia, y hacerlo rápido?
Alcance del conjunto de datos: ojos aéreos sobre el terreno
Las imágenes de drones abarcaron 17 zonas de desastre a lo largo de un año, entre ellas:
- Zonas inundadas tras tifones en Myanmar y Filipinas
- Aldeas afectadas por terremotos en Nepal
- Campamentos de desplazados en el norte de Siria
- Zonas de incendios forestales en Grecia y Chile
Especificaciones de los drones y formatos de captura:
- Resolución: imágenes fijas 4K y fotogramas de vídeo 1080p
- Altitud de vuelo: 20–100 metros
- Modalidades: RGB, térmica e infrarrojo cercano (NIR)
- Selección de fotogramas: muestreo inteligente a 1–3 fps durante misiones en directo
En total, se seleccionaron más de 120.000 imágenes para anotación, capturando distintos entornos, condiciones meteorológicas e iluminación, desde escombros bajo pleno sol hasta campamentos de refugiados bajo la lluvia.
Retos específicos al anotar imágenes de drones en zonas de crisis
Anotar imágenes de drones para uso humanitario no se parece a etiquetar tráfico urbano o productos de comercio electrónico. Lo que está en juego es muy importante, las imágenes son caóticas y los conocimientos necesarios son matizados. Algunos de los principales retos afrontados fueron:
1. Alta complejidad visual
Las escenas de desastre son inherentemente desordenadas: escombros superpuestos, techos colapsados, aguas de inundación con lodo, árboles caídos, pertenencias dispersas y movimiento borroso. Los objetos de interés, por ejemplo una persona haciendo señales o un automóvil sumergido, suelen aparecer parcialmente visibles o muy camuflados.
2. Múltiples modalidades
Las imágenes térmicas requieren una interpretación especializada. Por ejemplo, la firma térmica de una persona puede confundirse con una superficie humeante. Los anotadores tuvieron que recibir formación para diferenciarlas en contextos de rescate nocturno.
3. Ambigüedad de clases
¿Es una persona de pie o un poste de madera? ¿Un refugio destruido o un muro colapsado? En las zonas de desastre, los límites entre clases se difuminan. Las guías claras y los ejemplos de referencia reales resultaron esenciales.
4. Presión de tiempo
Algunas zonas requerían datos anotados en un plazo de 48 horas para su despliegue en sistemas de IA utilizados por ONG. Fue necesario equilibrar velocidad, precisión y control de calidad, todo ello contra reloj.
5. Comprensión cultural y contextual
Reconocer la distribución de un campamento de refugiados sirio o los materiales tradicionales de los techos en una aldea nepalí añadió otra capa de complejidad. El contexto geográfico y arquitectónico se incorporó a las guías de formación.
Flujo de trabajo de anotación: del caos a la claridad
A pesar de los retos, se estableció un flujo de trabajo de anotación optimizado que permitió obtener resultados de alta calidad a escala.
Preparación previa a la anotación
- Limpieza y deduplicación de datos (se eliminaron fotogramas borrosos y solapados)
- Incorporación de metadatos de geolocalización para aportar contexto espacial
- Superposición de mapas de referencia para conectar vistas aéreas con geografías conocidas
Definiciones de clases (resumen simplificado)
Se definieron 25 clases personalizadas, entre ellas:
- Persona visible (de pie, tumbada, haciendo señales)
- Estructura colapsada
- Carretera bloqueada
- Escombros flotantes
- Zona de lanzamiento de ayuda (áreas abiertas despejadas)
- Refugio de emergencia (tienda, lona, vivienda improvisada)
- Columna de fuego o humo
- Vehículo (ambulancia, civil, marcado como ONG)
Proceso de anotación
- Cajas delimitadoras y máscaras de segmentación utilizadas para clases clave
- Bucles de retroalimentación en tiempo real para anotadores
- Ayudas contextuales, por ejemplo paneles de comparación infrarrojo–RGB
- Control de calidad por consenso con al menos dos revisores por imagen
Métricas de velocidad y precisión
- Tiempo medio de anotación por imagen: 64 segundos
- Precisión (revisada mediante control de calidad): 95,1% de acuerdo entre anotadores
- Tiempo de entrega (lote): < 72 horas desde la imagen hasta un conjunto de datos listo para IA
Entrenar la IA: dar sentido a la crisis mediante modelos
Con los conjuntos de datos anotados disponibles, la siguiente fase fue entrenar modelos de detección de objetos y segmentación capaces de realizar inferencia en tiempo real sobre el terreno.
Modelos utilizados:
- YOLOv8 (para detección de objetos)
- Segment Anything (SAM) para refinar la segmentación
- CNN personalizadas entrenadas para clasificación de señales térmicas
Métricas de rendimiento del modelo
- Detección de personas en RGB: 93,7% mAP
- Detección de personas en térmico: 86,9% mAP
- Identificación de estructuras colapsadas: 81,2% de precisión
- Detección de zonas de lanzamiento de ayuda: 94,3% de exactitud
Los modelos de IA entrenados con estos datos de drones anotados fueron desplegados posteriormente por ONG asociadas en dispositivos edge portátiles y ordenadores preparados para trabajo de campo, con el fin de apoyar el mapeo en directo y la toma de decisiones.
El impacto humano: resultados reales sobre el terreno
La IA no trata solo de métricas; trata de impacto. Así es como los datos de drones anotados se tradujeron en resultados con potencial para salvar vidas:
Localización más rápida de supervivientes
La detección basada en imágenes térmicas ayudó a identificar a 14 supervivientes atrapados en viviendas colapsadas en Nepal en cuestión de horas, durante una respuesta a un terremoto en 2024.
Lanzamientos de ayuda más inteligentes
Equipos de ONG en Myanmar utilizaron mapas de IA anotados para encontrar zonas de lanzamiento planas y secas, lo que redujo las entregas fallidas de suministros en un 40% durante inundaciones monzónicas.
Navegación más segura
En Siria, la detección automatizada de bloqueos en carreteras ayudó a los convoyes humanitarios a redirigirse en tiempo real, evitando zonas inseguras y ahorrando hasta 3 horas por ruta.
Mejor planificación de campamentos
En Grecia, el análisis de la distribución de campamentos a partir de vistas aéreas permitió a agencias de la ONU optimizar la distribución de tiendas y mejorar el acceso al agua para más de 2.000 personas desplazadas.
Estos resultados subrayan una verdad importante: cada etiqueta importa cuando hay vidas en juego.
Lecciones para el futuro: escalar lo que funciona
Después de anotar más de 100.000 fotogramas en distintos continentes y crisis, estas fueron las principales lecciones aprendidas:
- El enfoque human-in-the-loop es esencial: incluso con modelos sólidos, la supervisión humana garantiza precisión contextual.
- El contexto geográfico es fundamental: vincular las anotaciones con GIS y coordenadas del mundo real añade una capa crítica de utilidad.
- Los datos térmicos deben tratarse de forma distinta: los anotadores necesitan formación específica del dominio para modalidades no visuales.
- El tiempo hasta el etiquetado importa: crear flujos de trabajo de respuesta rápida es tan importante como la exactitud en escenarios humanitarios.
Actualmente se están desarrollando modelos de preetiquetado automatizado y flujos de trabajo colaborativos para acelerar la anotación de emergencia sin sacrificar precisión.
Qué permiten los datos anotados en zonas de desastre
La anotación de alta calidad transforma los datos de drones en:
- Mapas de calor de crisis para centros de coordinación
- Rutas de navegación autónoma para drones y convoyes
- Puntuaciones de gravedad de daños para financiación y reconstrucción
- Detección de zonas de riesgo antes de la llegada de la siguiente tormenta
Cuando la anotación se realiza correctamente, se convierte en la infraestructura invisible que sostiene acciones capaces de salvar vidas.
Construir IA humanitaria que funcione donde más importa
En DataVLab, creemos que los datos pueden impulsar la acción, especialmente cuando cada segundo cuenta. Si su organización está desarrollando herramientas de IA para respuesta humanitaria, podemos ayudarle a anotar datos de drones con precisión, rapidez y teniendo en cuenta el impacto en el mundo real.
Hemos apoyado proyectos de anotación en zonas de crisis en cinco continentes y entendemos el equilibrio entre urgencia, calidad y empatía.
Si está preparando un proyecto de anotación de datos para IA humanitaria, DataVLab puede ayudarle a estructurar, etiquetar y validar sus datos con un flujo de control de calidad adaptado a su caso de uso.
