Octava entrega de BermejaSat: creamos una Estación Terrena gráfica en Python utilizando Matplotlib y PySerial. Implementamos un simulador Hardware-in-the-Loop (HIL) en la placa ESP32 para visualizar el descenso del CanSat en tiempo real.
Convertimos nuestra placa ESP32 en un radar direccional utilizando el valor RSSI de la señal LoRa. Una práctica vital de “búsqueda y rescate” para encontrar el CanSat tras el aterrizaje.
Antes de sumar el barómetro BMP280, una parada de programación pura: por qué delay() es un problema en un CanSat real y cómo sustituirlo por millis() simulando las fases de un vuelo — rampa, lanzamiento, descenso, paracaídas y aterrizaje — sin conectar ni un solo cable.
Cuarta entrada de BermejaSat: establecemos el primer enlace de telemetría inalámbrica por radio LoRa a 868 MHz. Transmitimos los datos del sensor AM2302 desde el satélite a una Estación Terrena receptora con medición de potencia de señal (RSSI).
Tercera entrada de BermejaSat: conectamos el sensor de temperatura y humedad ASAIR AM2302 al ESP32, mostramos la telemetría en la pantalla OLED y analizamos por qué varían las configuraciones entre las placas LILYGO y Heltec V3.
Segunda entrada de BermejaSat: encendemos un semáforo de tres LEDs y aprendemos a elegir con criterio los pines de una placa ESP32 que ya tiene ocupada la pantalla OLED y el módulo de radio LoRa.
Arrancamos BermejaSat, nuestro proyecto CanSat de la ESA. Guía de instalación del entorno Arduino para placas ESP32+LoRa y primer sketch con la pantalla OLED — incluyendo el diagnóstico de un fallo real de pines con un escáner I2C construido a medida.
Culminamos el Proyecto Peridotita con la integración de los datos de Inteligencia Artificial en un entorno interactivo 3D en Google Earth. Resumen final del pipeline científico y balance de superficie para Climate Detectives (ESA).
Integramos los umbrales de Inteligencia Artificial aprendidos en Python dentro de Google Earth Engine. Generamos el Mapa de Vulnerabilidad Global de Sierra Bermeja a 10 metros de resolución, cuantificamos las hectáreas en riesgo alto, medio y bajo, y presentamos nuestras propuestas de actuación ambiental para el proyecto Climate Detectives.
Damos el salto de la observación satelital a la Inteligencia Artificial. Exportamos datos multivariable de Google Earth Engine a Google Colab y entrenamos un Árbol de Decisión con Python (scikit-learn) para predecir los niveles de riesgo de desertificación en Sierra Bermeja. Desgranamos paso a paso el significado científico de cada parámetro del modelo dentro del proyecto Climate Detectives.