TODO: agrega capturas del análisis, métricas finales de detección/clasificación y el enlace real al repositorio.
Objetivo
Analizar qué tan bien las detecciones de puntos de calor de tres constelaciones satelitales (VIIRS, MODIS, GOES) capturan los incendios reportados oficialmente por CalFire en California, y mejorar esa detección con aprendizaje automático.
Estructura del proyecto
- Exploración de los datos de hotspots vs. incidentes reportados.
- Métricas de detección: qué tan bien coincide cada sensor con los incendios reales.
- Mejora con ML: clustering espacio-temporal (ST-DBSCAN) para agrupar detecciones, seguido de un clasificador RandomForest.
Decisiones técnicas
Una decisión clave del proyecto fue cambiar la imagenería Sentinel-2 de L2A/THEIA (procesada con MAJA, cobertura solo de Francia) a L1C vía el Copernicus Data Space Ecosystem, para tener cobertura global — documentando los trade-offs de usar L1C en vez de datos ya corregidos atmosféricamente en todo el código.
TODO: Resultados
(pendiente — completa con las métricas finales, gráficas y conclusiones)