APRÈN. Portal de la producció docent del professorat de la UPC

The project will include a comprehensive needs analysis, a detailed design of ICT solutions, the preparation of tender documents, the impartial evaluation of proposals and the selection of the most suitable supplier to meet the demands of the city council and municipal centers in terms of of information and communication technology.

El proyecto incluirá un exhaustivo análisis de necesidades, un diseño detallado de soluciones TIC, la preparación de documentos de licitación, la evaluación imparcial de propuestas y la selección del proveedor más idóneo para satisfacer las demandas del ayuntamiento y los centros municipales en términos de tecnología de la información y comunicación.

Este trabajo tiene como objetivo la estimación de la humedad del suelo utilizando técnicas avanzadas de aprendizaje automático. La predicción precisa de la humedad del suelo es crucial en diversos campos como la gestión agrícola, el monitoreo ambiental y la planificación de recursos hídricos. Sin embargo, debido a la complejidad inherente de las interacciones entre los diferentes factores que afectan la humedad del suelo, como las condiciones meteorológicas, la vegetación y la evapotranspiración, la estimación precisa es un reto considerable. Por ello, en este estudio se han empleado múltiples arquitecturas de redes neuronales con el fin de abordar este problema desde diferentes enfoques. El primer modelo explorado es una red multimodal basada en transformers, una arquitectura avanzada que se ha mostrado particularmente efectiva en tareas de procesamiento secuencial y de serie temporal. En esta red, se combinan tres fuentes de datos: datos meteorológicos, índices de vegetación (NDVI) y datos de evapotranspiración, que son procesados conjuntamente para capturar las relaciones complejas entre las diferentes variables que afectan la humedad del suelo. Sin embargo, los resultados iniciales no fueron satisfactorios, mostrando problemas relacionados con la memoria de las predicciones pasadas, lo que llevó a plantear posibles mejoras en la estructura del modelo. En un segundo enfoque, se adoptó una estrategia de división del problema en submodelos individuales, es decir, se diseñaron redes neuronales independientes para predecir la humedad en cada sonda de manera específica. Este enfoque simplifica la tarea de predicción al reducir la complejidad del modelo para cada red individual. Aunque los resultados fueron ligeramente mejores que en el modelo basado en transformers, se observó que la falta de memoria a largo plazo en estos modelos seguía afectando el rendimiento, especialmente en la capacidad para capturar patrones temporales complejos. Finalmente, se desarrolló un tercer modelo más sencillo, basado en una red neuronal densa con dos capas ocultas y técnicas de regularización, como Dropout y L2. Esta red mostró un rendimiento más consistente en términos de aprendizaje, aunque aún presentaba un cierto grado de ruido en las predicciones. Para mitigar este efecto, se aplicaron varios filtros de suavizado, como el filtro de media móvil y el filtro gaussiano, lo que permitió mejorar la calidad de las predicciones, aunque no se eliminó completamente el problema. A lo largo de este trabajo, se ha llevado a cabo un análisis detallado del rendimiento de los diferentes modelos, destacando las ventajas y limitaciones de cada uno. En particular, se ha identificado que la memoria de las predicciones anteriores es un factor clave que debe ser abordado para mejorar la precisión de las estimaciones de humedad del suelo. Además, el uso de técnicas de regularización y el suavizado de las predicciones han demostrado ser herramientas útiles para mejorar la estabilidad del modelo y reducir el sobreajuste.

Aquest treball té com a objectiu l'estimació de la humitat del sòl utilitzant tècniques avançades d'aprenentatge automàtic. La predicció precisa de la humitat del sòl és crucial en camps com la gestió agrícola, el monitoratge ambiental i la planificació de recursos hídrics. No obstant això, degut a la complexitat inherent de les interaccions entre els diferents factors que afecten la humitat del sòl, com ara les condicions meteorològiques, la vegetació i l'evapotranspiració, l'estimació precisa és un repte considerable. Per això, en aquest estudi s'han emprat múltiples arquitectures de xarxes neuronals amb la finalitat d'abordar aquest problema des de diferents enfocaments. El primer model explorat és una xarxa multimodal basada en transformers, una arquitectura avançada que ha demostrat ser particularment efectiva en tasques de processament seqüencial i de sèries temporals. En aquesta xarxa es combinen tres fonts de dades: dades meteorològiques, índexs de vegetació (NDVI) i dades d'evapotranspiració, que són processades conjuntament per captar les relacions complexes entre les diferents variables que afecten la humitat del sòl. Tanmateix, els resultats inicials no van ser satisfactoris, mostrant problemes relacionats amb la memòria de les prediccions anteriors, cosa que va portar a plantejar possibles millores en l'estructura del model. En un segon enfocament, es va adoptar una estratègia de divisió del problema en submodels individuals, és a dir, es van dissenyar xarxes neuronals independents per predir la humitat a cada sonda de manera específica. Aquest enfocament simplifica la tasca de predicció en reduir la complexitat del model per a cada xarxa individual. Tot i que els resultats van ser lleugerament millors que en el model basat en transformers, es va observar que la manca de memòria a llarg termini en aquests models continuava afectant el rendiment, especialment en la capacitat de capturar patrons temporals complexos. Finalment, es va desenvolupar un tercer model més senzill, basat en una xarxa neuronal densa amb dues capes ocultes i tècniques de regularització, com ara Dropout i L2. Aquesta xarxa va mostrar un rendiment més consistent en termes d'aprenentatge, tot i que encara presentava un cert grau de soroll en les prediccions. Per mitigar aquest efecte, es van aplicar diversos filtres de suavització, com ara el filtre de mitjana mòbil i el filtre gaussià, que van permetre millorar la qualitat de les prediccions, tot i que no es va eliminar completament el problema. Al llarg d'aquest treball s'ha fet una anàlisi detallada del rendiment dels diferents models, destacant els avantatges i limitacions de cadascun. En particular, s'ha identificat que la memòria de les prediccions anteriors és un factor clau que cal abordar per millorar la precisió de les estimacions d'humitat del sòl. A més, l'ús de tècniques de regularització i el suavitzat de les prediccions han demostrat ser eines útils per millorar l'estabilitat del model i reduir el sobreajust.

In the LUXCAT project of the ESA (European Space Agency), backscatter data was acquired from a corn field in Luxembourg in 2022. This project focuses on validating and analysing these data, creating different tools to extract measurements from the raw data. It is also expected that these tools can be used to continue the analysis of future campaigns. The conclusion of this project is the need for calibration of the backscatter data from external calibrators or external calibration. The project has been carried out to provide value to the members of the LUXCAT project and to assist in the development of geostationary SAR systems from the resources created.

En el proyecto LUXCAT de la ESA (European Space Agency), se adquirieron datos de retrodispersión de un campo de maíz en Luxemburgo en 2022. Este proyecto se centra en validar y analizar estos datos, creando diferentes herramientas que permitan extraer medidas a partir de los datos en crudo. Se espera, también, que estas herramientas puedan ser usadas para continuar el análisis de futuras campañas. La conclusión de este proyecto es la necesidad de calibrar los datos de retrodispersión a partir de calibradores externos o calibración externa. El proyecto se ha llevado a cabo con el fin de aportar valor a los miembros del proyecto LUXCAT y de ayudar en el desarrollo de sistemas SAR geoestacionarios a partir de los recursos creados.

This project arises in an insurance company that has noticed the lack of signatures on policies due to the manual process. To address this issue, we will implement digital signatures in the policy contracting of Zurich, the insurance company with which we collaborate. The objective is to correct this deficiency, digitize the contracting process, and thereby obtain a greater number of signatures while avoiding legal problems associated with manual signatures. We will achieve streamlining and simplifying the customer experience.

Este proyecto surge en una aseguradora que ha notado la falta de firmas en pólizas debido al proceso manual. Para abordar este problema, implementaremos la firma digital en la contratación de pólizas de Zurich, la aseguradora con la cual colaboramos. El objetivo es corregir esta carencia, digitalizar el proceso de contratación y de esta forma conseguir un mayor número de firmas y evitar problemas legales asociados a la firma manual. Conseguiremos agilizar y simplificar la experiencia para el cliente.

With the recently growing expansion and improvement of Artificial Intelligence (AI), it has been seen that it can be very useful to help humans make decisions, thus increasing efficiency, making decisions faster, and reducing the workload of human experts. In this thesis, we focus on how already trained Artificial Intelligence models can be used as a decision support system in the film industry sector, specifically for experts who set the age ratings of films. For the visual modality, the model SlowFast networks were used and for the audio modality, a standard ResNet model with 18 layers pretrained on Kinetics-400 was used. These audiovisual models have been trained on the Vidharm dataset, an open dataset of 3589 video clips from film trailers annotated by professionals. In this work we propose three systems with the objective of being applied in real life in the near future. We have statistically analyzed the data given by those AI models and we have related these data to the data given by a real human. Each one of the systems has its advantages and limitations. Still, in general, we have obtained satisfactory results even though having a better dataset with more clips or having models with better accuracy would have made the systems perform significantly better.

Con la reciente expansión y mejora de la inteligencia artificial (IA), se ha podido ver que puede ser muy útil para ayudar a los humanos a tomar decisiones, aumentando así la eficiencia, a tomar decisiones más rápido y reducir la carga de trabajo de los humanos expertos. En esta tesis, nos enfocamos en cómo los modelos de Inteligencia Artificial ya entrenados pueden ser utilizados como sistema de apoyo a la toma de decisiones en el sector de la industria cinematográfica, específicamente para expertos que marcan la edad de las calificaciones de las películas. Para la modalidad visual se utilizó el modelo de redes SlowFast y para la modalidad de audio, un modelo ResNet estándar con 18 capas preentrenadas en Kinetics-400. Estos modelos audiovisuales han sido entrenados en el conjunto de datos de Vidharm, una base de datos de 3589 clips de videos de trailers de películas anotados por profesionales. En este trabajo propondremos tres sistemas con el objetivo de ser aplicados en la vida real en un futuro próximo. Hemos analizado estadísticamente los datos proporcionados por esos modelos de IA y los hemos relacionado con los datos proporcionados por un ser humano real. Cada uno de los sistemas tiene sus ventajas y limitaciones. Aún así, en general, hemos obtenido resultados satisfactorios a pesar de haber un mejor conjunto de datos con más clips o tener modelos con mayor precisión habría hecho que los sistemas funcionaran significativamente mejor.

La calidad del aire preocupa en muchas zonas urbanas y áreas industriales alrededor del mundo, y particularmente en la región europea, donde en 2019 casi 20 países superaron los valores de dióxido de nitrógeno NO2 límite impuestos por la Directiva de la Comisión Europea. Este estudio propone un análisis comparativo del impacto de los principales GEI entre 2019-2022. Los resultados destacarán sobre todo la dinámica de la contaminación por NO2 sobre la abrupta situación provocada por el brote de COVID-19, caracterizada por un disminución brusca de las intensidades del tráfico y las actividades industriales. Con ello surgen estas cuestiones: ¿Es la contaminación del aire exclusiva de zonas urbanas con grandes superficies industriales? ¿El confinamiento por COVID-19 ha propiciado cambios notables en las emisiones troposféricas? ¿Es el NO2 el gas más contribuyente al efecto invernadero? ¿Existe alguna relación entre las emisiones de NO2 y cambios en algún indicador de actividad económica?

La qualitat de l'aire preocupa a moltes zones urbanes i àrees industrials al voltant del món, i en particular a la regió europea, on en 2019 casi 20 països superen els valors de diòxid de nitrógeno NO2 límits impostos per la Directiva de la Comissió Europea. Aquest estudi proposa un anàlisi comparatiu de l'impacte dels principals GEI entre 2019-2022. Els resultats destacaran sobre tota la dinámica de la contaminació per NO2 sobre la situació brusca provocada pel brot de COVID-19, caracteritzada per una disminució brusca de les intensitats del trànsit i les activitats industrials. Amb ell surgen aquestes preguntes: ¿És la contaminació de l'aire exclusiva de zones urbanes amb grans superfícies industrials? El confinament per COVID-19 ha propiciat canvis notables a les emissions troposfèriques? ¿És el NO2 el gas més contribuint a l'efecte hivernacle? ¿Existe alguna relació entre les emissions de NO2 i els canvis en algun indicador d'activitat econòmica?

Many works in the world of Earth observation focus on forest monitoring and classification to analyze the evolution and impact on the planet and society, notably for climate change. In all those studies, using Synthetic Aperture Radar in different frequency bands is one of the most common approaches. This work aims to use the Sentinel-1 system at C-Band to analyze boreal forest regions. Specifically, it will be studied if, with this system, it is possible to extract height information and biomass information. Additionally, it is tried to obtain the conditions in which that is possible. Two areas of interest in Finland are studied through the analysis of the interferometric coherence, meteorological data and ground truth. First, a pixel-based study is conducted. Then, an area-based. Three types of regions are studied: tall trees, low trees and flat areas (without trees). All the results are contrasted with the different theoretical volume and temporal decorrelation models. Finally, a reflection on the physical phenom behind this decorrelation effect in the data is made. It has been discovered that it is possible to determine qualitatively areas with taller trees and areas with lower ones under particular conditions in winter when there is a lot of snow, which is frozen due to the low temperatures. Also, it can be appreciated how quantitative analysis is very complex because all the external factors involved in C-band together with a certain aleatory component.

En el mundo de la observación de la tierra, muchos trabajos se han centrado en la motorización y clasificación de bosques para analizar su evolución y el impacto en el planeta y en la sociedad, en específico con el tema del cambio climático. Entre estos estudios el uso de Radares de Apertura Sintética en diferentes bandas frequenciales es una de las formas más habituales. En este trabajo se pretende utilizar el sistema Sentinel-1 en banda C para analizar regiones de bosques boreales. En concreto se pretende estudiar si con este sistema es posible extraer información de la altura y, por tanto, de la cantidad de biomasa. Adicionalmente, se intenta obtener las condiciones en las cuales esto es posible. A través del análisis de la coherencia interferométrica, junto con datos meteorológicos y datos verificados sobre el terreno de la altura de la vegetación, se estudian dos áreas de interés en Finlandia. Primero se realiza un estudio a escala de píxeles y a continuación de áreas. En concreto, se estudian los casos de regiones con árboles altos, regiones de árboles bajos y regiones planas (sin árboles). Los resultados conseguidos se contrastan con los diferentes modelos teóricos de decorrelación volumétrica y decorrelación temporal y se realiza una reflexión sobre los posibles fenómenos físicos que están provocando estas decorrelaciones en los datos. Por último, descubrimos cómo es posible determinar cualitativamente regiones con árboles más altos y regiones con árboles más bajos en unas condiciones muy específicas en invierno cuando hay mucha nieve y ésta está congelada debido a las bajas temperaturas. También vemos cómo un análisis cuantitativo es muy complejo por culpa de todos los factores externos que intervienen en banda C junto con una cierta componente de aleatoriedad.

Ground-Based Synthetic Aperture Radars (GB-SAR) are a type of Synthetic Aperture Radars (SAR) with a higher flexibility and lower cost than their satellite counterparts. The effectiveness of GB-SAR terrain displacement monitoring has already been proven with bare soils. There is interest in studying their effectiveness in areas covered by vegetation. The Multi-Frequency GB-SAR system developed by Balamis is able to operate in bands X, C, L and P. A measurement campaign took place in the Castell de Subirats to study an area covered by vegetation. Two Trihedral Corner Reflectors (TCR) were placed in the area, one of them surrounded by vegetation. Can we consider the reflectors stable? A big Rock is present in the area but is covered by vegetation. Can it be used as natural reflector for low bands? Is it possible to monitor displacements in the reflectors in all bands? In X-band the reflectors are not stable because of the surrounding vegetation. In C-band the TCRs are stable. In L-band one of the TCR and the Rock are stable. In P-band only the Rock is stable. The Rock can be used as a reflector and a calibrator for bands L and P as those frequencies can penetrate vegetation. It is possible to monitor the displacements, except in band X because of the phase shifts caused by the vegetation.

Los Radares de Apertura Sintética Terrestres (GB-SAR en inglés) son un tipo de Radares de Apertura Sintética (SAR) con una mayor flexibilidad y un coste más bajo que sus homólogos de satélite. La eficacia de la monitorización de desplazamientos del terreno con sistemas GB-SAR ya se ha demostrado con suelos desnudos. Hay interés por estudiar su efectividad en zonas cubiertas de vegetación. El sistema Multi-Frecuencia GB-SAR desarrollado por Balamis es capaz de operar en las bandas X, C, L y P. Se realizó una campaña de medida en el Castillo de Subirats para estudiar una zona cubierta de vegetación. Se colocaron en la zona dos Reflectores de Esquinas Triédricas (TCR), uno de ellos rodeado de vegetación. Podemos considerar los reflectores estables? Hay una gran Piedra presente en la zona pero está cubierta de vegetación. Se puede utilizar como reflector natural para bandas bajas? Es posible medir los desplazamientos en los reflectores en todas las bandas? En banda X, los reflectores no son estables debido a la vegetación circundante. En banda C, los TCR son estables. En banda L, uno de los TCR y la Piedra son estables. En banda P, sólo la Piedra es estable. La Piedra se puede utilizar como reflector y calibrador para las bandas L y P, ya que estas frecuencias pueden penetrar en la vegetación. Es posible medir los desplazamientos, excepto en banda X debido a las inestabilidades de fase provocadas por la vegetación.

Earth observation technologies provide us with a large amount of information and have many diverse applications. In this thesis, we focus on classifying land cover using SAR sensors from the Sentinel-1 satellites. The objective of this study is to use Artificial Intelligence techniques to be able to automatically classify the different regions of an area of interest. For the classification, we will use the Random Forest algorithm that allows us to identify the most relevant features to classify each class, and with which we achieve a classification accuracy of 90%. On the other hand, the importance of certain temporal samples is repeated in all classes, and if we select them as an input subset, we can reduce the number of samples by 80% and maintain a high classification accuracy of 87%. This allows us to simplify the classification problem and reduce the required processing time.

Las tecnologías de observación de la tierra nos proporcionan una gran cantidad de información y tienen muchas aplicaciones diversas. En este trabajo nos centramos en clasificar la cobertura de la tierra mediante sensores SAR, de los satélites Sentinel-1. El objetivo de este trabajo es utilizar técnicas de Inteligencia Artificial para poder clasificar automáticamente las diferentes regiones de un área de interés. Para la clasificación utilizaremos el algoritmo de Bosques Aleatorios (Random Forest) que nos permite identificar los parámetros destacados en cada clase, y con el que conseguimos una precisión del 90%. Por otra parte, la importancia de ciertas muestras temporales se repite en todas las clases, y si las seleccionamos como subconjunto de entrada, podemos reducir el número de muestras en un 80% y mantener una precisión elevada, del 87%. Lo que nos permite simplificar el problema y disminuir el tiempo de procesamiento necesario.