Introducción Desde la entrada sobre la lluvia (Proyecto Peridotita 3) llevamos rondando la misma sospecha: que el suelo erosionado de la peridotita, más que la falta de agua, es lo que está frenando la recuperación de Sierra Bermeja. Esta entrada …
¿Hasta qué punto coincide nuestra clasificación del incendio de Sierra Bermeja con los datos oficiales? En esta nueva fase del Proyecto Peridotita reproducimos la metodología dNBR del USGS con imágenes Sentinel-2 y comparamos nuestros resultados con la evaluación oficial de Copernicus EMS. Un ejercicio de teledetección, ciencia de datos y validación científica para comprobar si nuestros cálculos se acercan a la realidad.
Después de varios intentos fallidos por comparar zonas distintas el mismo día, dimos con la comparación que sí funciona: la misma ladera de Sierra Bermeja, antes y después del incendio. El resultado es contundente — una de las zonas más frías de la comarca en 2021 es, cinco años después, una de las más calientes.
Introducción Llevamos tres entradas observando cómo se recupera Sierra Bermeja desde el espacio: primero vimos las imágenes, luego extrajimos la serie temporal completa de NBR, y después comprobamos si la lluvia acelera esa recuperación. Ahora toca una pregunta que todo …
Introducción El programa Climate Detectives de la Agencia Espacial Europea (ESA) no se conforma con observar el bosque desde el espacio: exige conectar lo que ve el satélite con las variables climáticas que explican lo que está pasando en el …
Primera sesión del Proyecto Karen Spärck Jones: comparación práctica en Python entre la búsqueda literal de palabras (BM25) y la búsqueda semántica por vectores de significado (embeddings), analizando y enfrentando sus resultados sobre el corpus real de AIDARAC mediante consola e interfaz web.
Sesion final del Proyecto Katy Payne: se entrena un Random Forest sobre los MFCC de gatos y perros, se lee la matriz de confusion 2×2 y el classification_report, y se comparan los resultados con los del Proyecto Laennec para mostrar como el desequilibrio y el numero de clases afectan al rendimiento de un modelo.
En la Sesion 4 del Proyecto Laennec, el alumnado entrena un Random Forest sobre los 13 coeficientes MFCC de cada sonido cardiaco, comprueba si mejora la deteccion de la extrasistole respecto al arbol unico, y descubre con feature importances que coeficiente MFCC pesa mas para distinguir un murmullo de un latido normal.
En la Sesion 3 del Proyecto Laennec, el alumnado calcula una matriz de confusion 3×3 sobre los sonidos del corazon (normal, murmullo, extrasistole), retoma macro avg frente a weighted avg y comprueba si el arbol de decision reconoce bien la clase minoritaria, la extrasistole.
Presentacion del Proyecto Laennec, dedicado al inventor del estetoscopio: por que la deteccion de soplos y arritmias por sonido cardiaco sigue siendo relevante hoy, y de donde vienen los datos reales de audio (PASCAL Classifying Heart Sounds Challenge).