Detección y clasificación de blancos marítimos en imágenes ......Estado del Arte de las...
Transcript of Detección y clasificación de blancos marítimos en imágenes ......Estado del Arte de las...
Estado del Arte de las
Tecnologías
Cátedra Isdefe-UPM
Septiembre 2018 – Julio 2019
Madrid, julio de 2019
Detección y clasificación de
blancos marítimos en imágenes
SAR satelitales
Índice
1. Introducción ................................................................................................... 1
2. Radares de apertura sintética (SAR) .............................................................. 3
2.1. Modos de operación ................................................................................................................ 5
2.2. El problema de la resolución en los radares convencionales ................................................... 6
2.3. Ecuación de alcance del radar ................................................................................................. 7
2.4. Algoritmos de detección .......................................................................................................... 9
2.4.1. Detección de cambios (Change Detection) ............................................................. 10
2.4.2. Técnicas CFAR (Constant False Alarm Rate) ........................................................ 10
2.5. Clasificación de blancos en imágenes SAR .......................................................................... 12
2.6. Satélites SAR en operación ................................................................................................... 15
3. Referencias ...................................................................................................18
Estado del Arte de las Tecnologías
1 Septiembre 2018 - Julio 2019 1
1. Introducción
Durante el siglo XX, se llevaron a cabo una serie de invenciones tecnológicas que
revolucionaron el ámbito de la defensa y de la seguridad, superando el problema de la falta
de información debido a la cantidad de sensores, plataformas, organizaciones y fuentes
existentes. Así es como surgió la idea de desarrollar e integrar un sistema que gestionara
toda la tecnología presente en el entorno de combate. Aparecieron entonces los sistemas
ISTAR (Intelligence, Surveillance, Target Acquisition and Reconnaissance) que presentan
la capacidad integrada de adquirir, procesar, explotar y distribuir la información de
inteligencia, convirtiéndose en la respuesta a la revolución tecnológica desarrollada en el
ámbito militar.
Los sistemas ISTAR integran todas las tecnologías de inteligencia, vigilancia,
adquisición y reconocimiento de objetivos cuya función es el apoyo a misiones militares.
Estos sistemas, están formados por un conjunto de sensores, tanto ópticos como de
radiofrecuencia, y por las plataformas en las que van embarcados tales como aeronaves,
vehículos terrestres o satélites.
Este estudio, dentro de los sistemas ISTAR, se centra en los sensores SAR (Synthetic
Aperture Radar) instalados en satélites debido al creciente interés en su desarrollo y
explotación, sobre todo en el sector de defensa español, lo cual se demuestra con el reciente
lanzamiento del satélite español Paz, el 22 de febrero de 2018, cuyas aplicaciones más
importantes son: el control fronterizo y medio ambiental, la vigilancia de la superficie
terrestre, el entorno marítimo y el urbanístico, la planificación de infraestructuras y la
obtención de información para operaciones militares [1].
Los radares de apertura sintética SAR son radares activos embarcados en plataformas
móviles que emiten energía en el intervalo de frecuencias de microondas y reciben los ecos
procedentes de las reflexiones de la señal en los objetos. Los ecos recibidos son
digitalizados y procesados coherentemente para construir una imagen del terreno en estudio.
El movimiento de la plataforma, generalmente lineal, durante el tiempo de integración da
lugar a la formación de un array sintético de mayor apertura que la antena física,
permitiendo aumentar la resolución en la llamada dirección cross-range (dirección
perpendicular al apuntamiento) limitada en los radares convencionales por el ancho de haz
de la antena utilizada.
Comparándolos con los sensores ópticos, los sensores SAR pueden operar incluso en
condiciones meteorológicas adversas, no sufren el efecto de ocultamiento por nubes y
poseen una capacidad de observación tanto nocturna como diurna, presentando unas
características muy atractivas para cumplir las necesidades operativas del ámbito de la
defensa y seguridad [2].
Una de estas áreas de estudio es la detección de blancos marítimos mediante imágenes
SAR para obtener información tanto de inteligencia en aplicaciones de control de fronteras
como medioambiental, por ejemplo, en la detección de vertidos tóxicos [3]. Aunque el
tiempo de revisita típico de los satélites SAR, generalmente en órbitas polares y
heliosíncronas, es de 11-12 días, el aumento del número de satélites SAR en operación
(PAZ, TerraSAR/TandemSAR, Sentinel-1A, Sentinel-1B, etc.) permite reducir el tiempo
entre imágenes de una misma área a menos de 12 h si se considera un conjunto de satélites.
Esta mejora de la frecuencia de refresco de información, junto con el hecho de que las
plataformas satelitales permiten cubrir amplias zonas de la Tierra, ha permitido el desarrollo
Estado del Arte de las Tecnologías
2 Septiembre 2018 - Julio 2019 2
de aplicaciones relacionadas con la seguridad y el salvamento marítimo y de gestión y
prevención de riesgos naturales.
Aunque la detección de barcos con imágenes SAR es una aplicación de gran interés, el
escenario marítimo es muy exigente debido a la presencia del clutter de mar impulsivo. Los
ecos provocados por los picos de las olas, generalmente llamados spikes, dan lugar a ecos
aleatorios con distintas amplitudes que pueden confundirse con blancos en la imagen SAR,
aumentando así la probabilidad de falsa alarma, y ocultar a barcos pequeños que producen
ecos de menor amplitud.
La Figura 1 muestra el proceso completo desde la adquisición de la señal hasta la
clasificación de los blancos detectados. Sin embargo, este estudio se centra en las etapas de
detección y clasificación de los blancos en entornos marítimos a partir de imágenes SAR
satelitales, ya que los operadores de los satélites SAR suministran dicha imagen como
producto. Para ello, generalmente, se propone una cadena de procesado que incluye
algoritmos de detección basados en técnicas CFAR (Constant False Alarm Rate) y
algoritmos de clasificación de los blancos detectados basados en técnicas de Machine
Learning.
Figura 1: Proceso completo para la obtención de los blancos clasificados presentes en un escenario
marítimo utilizando tecnología SAR
Por un lado, los algoritmos CFAR son comúnmente utilizados para la detección de
blancos marítimos, ya que poseen la capacidad de mantener constante la probabilidad de
falsa alarma a un cierto nivel prefijado [4]. Sin embargo, estos algoritmos suelen diseñarse
considerando ruido gaussiano en lugar del ruido impulsivo característico del clutter de mar,
por lo que su comportamiento en escenarios marítimos debe ser evaluado. Estos algoritmos
emplean un umbral para diferenciar los ecos procedentes de los blancos respecto del ruido
o clutter de fondo procedente de la superficie marítima. En función del método de cálculo
de dicho umbral considerando un conjunto de celdas o píxeles de referencia, existen
diferentes variantes del algoritmo como son el CA-CFAR, SO-CFAR, GO-CGAR y OS-
CFAR.
Por otro lado, las técnicas de Machine Learning permiten que una máquina extraiga de
forma autónoma patrones y relaciones existentes en los datos proporcionados a partir de un
aprendizaje que puede ser supervisado o no supervisado, considerándose por ello dentro de
la disciplina de inteligencia artificial. De esta forma, se podrán confirmar las detecciones
realizadas con los algoritmos CFAR y clasificar los blancos marítimos detectados en
diferentes categorías. Para alcanzar este objetivo, se han recopilado imágenes adquiridas
con sensores SAR para entrenar de forma supervisada la red neuronal propuesta con datos
de diferentes tipos de blancos y poder así realizar un proceso de aprendizaje para que pueda
llevar a cabo la clasificación de los distintos tipos de blancos marítimos considerados (barco
Estado del Arte de las Tecnologías
3 Septiembre 2018 - Julio 2019 3
vs. iceberg) y diferenciar las detecciones producidas por los blancos de interés respecto de
las falsas alarmas producidas por ruido, olas o clutter de mar.
Este proceso de clasificación permite, además, resolver la problemática actual de
detección y monitorización remota de icebergs en zonas polares, para llevar a cabo un
seguimiento de sus trayectorias que permita la planificación adecuada de las rutas de
navegación en dichas zonas. El uso emergente de los radares SAR satelitales para esta
aplicación de remote sensing se debe a su mejora de resolución y de la capacidad de
detección, su vigilancia de área extensa con cobertura polar, la reducción del tiempo
conjunto de revisita y su inmunidad frente a condiciones atmosféricas adversas, como
nubes. Además, los resultados obtenidos con sensores SAR podrían fusionarse con
imágenes satelitales de sensores ópticos embarcados para mejorar las capacidades del
sistema.
2. Radares de apertura sintética (SAR)
Los radares son sistemas que transmiten ondas electromagnéticas de forma periódica con
el objetivo de obtener información del entorno gracias a los ecos recibidos que se producen
por la reflexión de la señal en la superficie de los blancos. El procesado de estos “ecos”
proporciona una gran cantidad de información sobre los blancos como su posición, tamaño
o material.
Generalmente, los radares SAR embarcados en plataformas satelitales utilizan formas de
onda pulsadas con modulación LFM (Linear Frequency Modulation) intrapulso, como se
representa en la Figura 2.
Figura 2:Forma de onda de un radar pulsado
Donde cada pulso es transmitido cada 1
𝑃𝑅𝐹 segundos, siendo la PRF la frecuencia de
repetición de pulsos, que limita la máxima distancia no ambigua, 𝑅𝑚𝑎𝑥:
𝑅𝑚𝑎𝑥 =𝑐
2 · 𝑃𝑅𝐹
En los sistemas SAR, la velocidad relativa del blanco debida al movimiento de la
plataforma, causa un desplazamiento Doppler de los ecos, provocando que las ondas
emitidas por la plataforma en movimiento sufran un cambio de frecuencia que depende de
la velocidad relativa entre el transmisor y el objeto en el que se refleja la señal, y de la
frecuencia de la portadora.
Cuando el radar no está emitiendo el pulso de radiofrecuencia, mantiene abierto el
receptor para recibir de forma coherente los ecos de la señal transmitida reflejados en los
Estado del Arte de las Tecnologías
4 Septiembre 2018 - Julio 2019 4
blancos que se quieren detectar y que se encuentran corrompidos por una potencia no
deseable de ruido y de reflexiones en otros elementos del entorno denominados clutter. En
sensores SAR embarcados en satélites, estos ecos se reciben entre 6 y 10 periodos de
repetición de pulsos después de la transmisión (ambigüedad en distancia) debido a que las
distancias entre el blanco y el sensor SAR embarcado en un satélite son mucho mayores
que la máxima distancia no ambigua. Sin embargo, en el caso de sensores embarcados en
aeronaves (aviones, helicópteros o drones), los ecos se recibirán antes de transmitir el
siguiente pulso, sin ambigüedad en distancia.
Entre los sucesivos pulsos, la plataforma donde se encuentra el sensor avanza una cierta
distancia en dirección cross-range, denominada “distancia recorrida entre pulsos”, durante
este movimiento los blancos son iluminados por una serie de pulsos transmitidos. Para cada
pulso, la potencia de la señal que se refleja en el objetivo y vuelve al receptor varía debido
principalmente al diagrama de la antena, como se muestra en la siguiente imagen.
Figura 3: Efecto del diagrama de la antena en la potencia de la señal recibida por la reflexión
en el blanco [5].
En la parte inferior de la gráfica de la Figura 3, se muestra la evolución de la potencia de
la señal recibida por el desplazamiento de la plataforma. Esta potencia aumenta hasta llegar
a la posición B, en la que el blanco se encuentra en la dirección del haz principal de la
antena, y vuelve a decrecer hasta la posición C cuando el blanco se encuentra en la dirección
del primer nulo del diagrama, produciéndose posteriormente fluctuaciones provocadas por
los lóbulos secundarios [5]. Por tanto, el ancho de haz de la antena limita el tiempo de
integración coherente del radar y la apertura máxima del array sintético generado por el
movimiento de la plataforma.
Las muestras de los ecos recibidos se van almacenando en vectores que contienen
información de la frecuencia Doppler del blanco inducida por su velocidad relativa con
respecto a la plataforma y que está directamente relacionada con la dirección acimutal del
blanco para cada pulso transmitido y de los retardos de dichos ecos relacionados con la
distancia en la dirección perpendicular (slant range) de los ecos reflejados en la zona
iluminada por la antena. El proceso de muestreo se repite para cada pulso y en cada
Estado del Arte de las Tecnologías
5 Septiembre 2018 - Julio 2019 5
recepción de ecos se forma un nuevo vector. De esta forma, durante el tiempo de integración
coherente, el radar genera una matriz con tantas filas como pulsos se hayan transmitido y
con tantas columnas como muestras se hayan tomado por cada pulso. Este conjunto de
valores se denomina raw data y no forman una imagen en sí mismo, sino que hay que llevar
a cabo un procesamiento de datos para obtener la imagen. Uno de los algoritmos más
utilizados para la formación de la imagen SAR basado en la integración coherente de los
ecos recibidos de los múltiples pulsos transmitidos durante el movimiento de la plataforma,
con el objetivo de generar un array sintético, es el backprojection algorithm [6].
Uno de los objetivos principales de las técnicas SAR es conseguir una alta resolución en
las dos dimensiones de la imagen, es decir, una alta resolución en la dirección perpendicular
a la trayectoria (slant range), para la cual se necesita transmitir señales de gran ancho de
banda, y una alta resolución en la dirección paralela a la trayectoria (cross-range), mediante
el aumento de la longitud de la apertura sintética generada mediante el movimiento de la
plataforma.
2.1. Modos de operación
Hay dos modos principales para la adquisición de la señal y la generación de la imagen
SAR (Figura 4): stripmap y spotlight. La diferencia entre ambos se basa en la máxima
resolución acimutal y el máximo tamaño de la imagen SAR que puede obtenerse.
En el modo stripmap, el ancho de haz de la antena limita la máxima resolución acimutal
que se puede obtener y la distancia recorrida por la embarcación durante la adquisición de
datos determina el tamaño de la imagen SAR. El principal inconveniente de este modo de
adquisición de la señal es que el array sintético se genera con una trayectoria rectilínea y su
apertura sintética máxima y, por tanto, la resolución en cross-range, está limitada por el
ancho de haz de la antena física.
Por el contrario, en el modo spotlight, la distancia recorrida por la embarcación durante
el tiempo de integración coherente es superior al modo stripmap ya que la antena se apunta
en azimuth hacia un punto fijo, lo que se traduce en una mayor longitud de la apertura
sintética y, como consecuencia, en una mejor resolución en cross-range. Este modo
presenta el inconveniente de que no se genera una imagen de una franja continua sino
parches individuales a lo largo de la trayectoria de la plataforma.
Además, en la generación de la imagen SAR, se suele llevar a cabo una corrección de
los errores de movimiento descritos por la plataforma, respecto de la trayectoria rectilínea
con pulsos equiespaciados, para que las imágenes SAR no aparezcan desenfocadas [7].
Figura 4: Modos de adquisición de la imagen SAR [8].
Estado del Arte de las Tecnologías
6 Septiembre 2018 - Julio 2019 6
2.2. El problema de la resolución en los radares convencionales
Una de las principales limitaciones de los sistemas radar es la resolución de la imagen
generada a partir de los ecos recibidos, ya que, si la resolución es baja, dos blancos cercanos
en el área de estudio pueden aparecer como un único blanco.
En un radar convencional, la resolución range o distancia y la resolución cross-range o
lateral vienen dadas por el ancho de banda de la señal y el ancho de haz de la antena,
respetivamente, y pueden ser estimadas mediante las siguientes ecuaciones:
ΔRrange = 𝑐
2·𝐵𝑊
ΔRcross-range = 1,2·𝑅𝑡·𝜆
𝐿ℎ
Siendo:
BW: el ancho de banda de la señal emitida.
𝑐: la velocidad de la luz en el vacío.
𝐿ℎ: la longitud de la antena en la dirección paralela al suelo.
𝑅𝑡: la distancia entre la antena y el blanco.
𝜆: la longitud de onda de la señal transmitida.
Estas ecuaciones nos muestran la principal limitación del sistema: la dependencia de la
resolución cross-range con la distancia al blanco y la apertura de la antena física. Por tanto,
para aumentar dicha resolución es necesario aumentar el tamaño de la antena, solución que
no es conveniente para plataformas aéreas en las que se requieren sistemas compactos. Por
este motivo, con el objetivo de superar dicha limitación, surgió a principios de los años 50
el radar de apertura sintética (SAR), que mejora la resolución de los radares convencionales
a larga distancia sin tener que aumentar el tamaño de la antena física.
Como ya se ha comentado, el sistema SAR se basa en el movimiento de la plataforma
que lo transporta, en el caso de satélites, a una altura de más de cientos de kilómetros en su
órbita polar, creando así unas aperturas sintéticas mucho mayores que las aperturas que
consigue una antena real. De esta forma, al mover la antena e ir emitiendo pulsos de forma
periódica, se observa el blanco durante un periodo más largo de tiempo dando lugar a una
apertura sintética cuya longitud viene dada por el recorrido durante el cual es visible el
blanco dentro del área de estudio. La formación de esta apertura sintética provoca una
mejora significativa en la resolución en cross-range (o azimuth) y el mantenimiento de la
resolución en range.
Las expresiones de la resolución range y cross-range en un sistema SAR vienen dadas
por:
ΔRrange = 𝐶𝑜
2·𝐵𝑊·sin(𝜂)
ΔRcross-range = 𝐿
2
Siendo:
η: el ángulo de incidencia que se forma entre la línea de slant range y la normal al suelo.
L = v·T: es la longitud de la antena en la dirección paralela al suelo, que es proporcional
a la velocidad de la plataforma y al tiempo de integración coherente.
Estado del Arte de las Tecnologías
7 Septiembre 2018 - Julio 2019 7
De esta manera, se consigue obtener resoluciones en azimuth muy elevadas puesto que
el sistema genera una apertura sintética paralela al terreno de estudio, L, considerablemente
más grande que la dimensión real de la antena.
Figura 5: Sistema SAR embarcado en satélite
2.3. Ecuación de alcance del radar
La ecuación radar es un método analítico que permite estimar el máximo alcance del
radar para detectar un determinado blanco a partir de las características del radar en cuanto
a la transmisión, la recepción y la antena, del blanco y de la propagación de la señal.
Asumiendo que una antena con ganancia 𝐺𝑡 transmite una forma de onda de potencia
pico P en un medio sin pérdidas, la densidad de potencia a una distancia R desde el radar
será igual a la potencia total P divida por el área de una esfera de radio R. Parte de la
densidad de potencia al ser interceptada por un blanco se refleja, comportándose el blanco
como una antena transmisora. Esta potencia reflejada es proporcional a la superficie efectiva
de reflexión del blanco, 𝜎, denominada radar cross section (RCS) o sección radar [9].
Pirradiada por el blanco = 𝑃·𝐺𝑡·𝜎
4·𝜋·𝑅2
La sección radar,𝜎, tiene unidades de área y está relacionada con el tamaño y los
materiales del blanco interceptado. Además, depende del ángulo de incidencia bajo el cual
es visto el blanco, de la frecuencia del radar y de la geometría del blanco.
Así, la potencia que recibe la antena viene dada por la expresión:
S =𝐷𝑝𝑖 · 𝜎 =𝑃𝑡·𝐺𝑡·𝐴𝑒·𝜎
(4·𝜋·𝑅2)2
Estado del Arte de las Tecnologías
8 Septiembre 2018 - Julio 2019 8
Figura 6: Ilustración de la ecuación del alcance radar
De este modo, el alcance máximo del radar (distancia máxima a la cual el blanco objetivo
puede ser detectado) viene determinada por la distancia a la cual la potencia de la señal en
la recepción es igual a la señal mínima detectable, Smin.
Rmáx = (𝑃𝑡·𝐺𝑡·𝐴𝑒·𝜎
(4·𝜋)2·𝑆𝑚𝑖𝑛)1/4
Empleando la relación entre la ganancia de una antena y su área efectiva, el alcance
máximo resulta:
Rmáx = (𝑃𝑡·𝐺𝑡·𝐺𝑟·𝜆
2·𝜎
(4·𝜋)3·𝑆𝑚𝑖𝑛·∏𝐿𝑠𝑦𝑠)1/4
donde se han incluido las posibles pérdidas del sistema en el factor ∏𝐿𝑠𝑦𝑠.
A continuación, se puede relacionar la sensibilidad mínima del sistema con algunos
parámetros operativos como son la potencia de ruido del receptor referida a la entrada Ni y
la relación señal a ruido necesaria a la entrada (𝑆
𝑁)𝑚𝑖𝑛
𝑖𝑛
:
𝑆𝑚𝑖𝑛 = 𝑁𝑖 (𝑆
𝑁)𝑚𝑖𝑛
𝑖𝑛
= 𝐾𝑇𝑠𝐵𝑟 (𝑆
𝑁)𝑚𝑖𝑛
𝑖𝑛
Rmáx =
(
𝑃𝑡 · 𝐺𝑡 · 𝐺𝑟 · 𝜆
2 · 𝜎
(4 · 𝜋)3 · 𝐾 · 𝑇𝑠 · 𝐵𝑟 · (𝑆𝑁)𝑚𝑖𝑛
𝑖𝑛
· ∏ 𝐿𝑠𝑦𝑠)
1/4
Finalmente, para expresar el alcance máximo en base a la relación señal a ruido requerida
a la salida del filtro adaptado, se tiene en cuenta la ganancia por compresión de pulsos (𝜏𝑡 ·𝐵𝑡) que consigue. Este filtro maximiza la relación señal a ruido de pico de un eco y con ello
también la probabilidad de detección, consiguiendo una ganancia respecto a la relación
señal a ruido de entrada dada por el producto del ancho de pulso, 𝜏𝑡, y el ancho de banda de
la señal transmitida, 𝐵𝑡, que es mayor que 1 cuando existe modulación intrapulso.
(𝑆
𝑁)𝑜𝑢𝑡
= (𝑆
𝑁)𝑚𝑖𝑛
𝑖𝑛
· 𝜏𝑡 · 𝐵𝑡
Estado del Arte de las Tecnologías
9 Septiembre 2018 - Julio 2019 9
Rmáx = (𝑃𝑡 · 𝐺𝑡 · 𝐺𝑟 · 𝜆
2 · 𝜎 · 𝜏𝑡
(4 · 𝜋)3 · 𝐾 · 𝑇𝑠 · (𝑆𝑁)𝑚𝑖𝑛
𝑜𝑢𝑡
· ∏ 𝐿𝑠𝑦𝑠
)
1/4
Esta primera versión del alcance radar solo es válida para aquellos radares que realicen
la detección de un único eco y cuyo blanco sea no fluctuante (Swerling 0 o Swerling 5).
La mayoría de los sistemas radar llevan a cabo un proceso de integración de pulsos
durante el tiempo de iluminación del blanco. En el caso de los radares SAR, la integración
es coherente y da lugar a una mejora por integración, 𝐼𝑖(𝑛) (cociente entre la relación señal
a ruido necesaria sin integrador y con integrador para las mimas condiciones de detección),
que puede aproximarse por el número de pulsos integrados.
Por lo tanto, la ecuación radar teniendo en cuenta la integración de pulsos queda de la
siguiente manera:
Rmáx = (𝑃𝑡 · 𝐺𝑡 · 𝐺𝑟 · 𝜆
2 · 𝜎 · 𝜏𝑡 · 𝐼𝑖(𝑛)
(4 · 𝜋)3 · 𝐾 · 𝑇𝑠 · (𝑆𝑁)𝑚𝑖𝑛
𝑜𝑢𝑡
· ∏ 𝐿𝑠𝑦𝑠
)
1/4
2.4. Algoritmos de detección
Como se ha comentado anteriormente, el principio de funcionamiento del radar es
transmitir ondas electromagnéticas durante un periodo de tiempo y recibir los ecos
reflejados por los blancos. Los ecos recibidos por el receptor se emplean para formar la
imagen SAR mediante la integración coherente de los pulsos y teniendo en cuenta el
movimiento de la plataforma.
Esta imagen SAR, formada por una matriz de píxeles, que representan cada celda de
resolución, con diferentes intensidades, debe ser procesada para realizar la detección de los
blancos presentes en la imagen separándolos del ruido o del clutter producido por otros
elementos del entorno o por las condiciones atmosféricas.
El principal inconveniente del ámbito de estudio, es decir, de la detección de blancos
marítimos, es que dicho proceso sufre serias limitaciones debido a la presencia de clutter de
mar, que se debe a los ecos provocados por los picos de las olas, produciéndose así ecos
aleatorios con diferentes amplitudes que son detectados por el radar como posibles blancos.
Por esta razón, es importante utilizar un modelo adecuado de clutter de mar que se aproxime
a las condiciones reales.
El clutter marítimo en la mayoría de los casos es considerado como una distribución
Gaussiana aunque se ha demostrado que en condiciones adversas puede tomar distintas
distribuciones. Según la escala de Douglas [9] dependiendo del estado del mar, el ruido
marítimo puede tomar las siguientes distribuciones:
Estado del mar Altura de las olas (m) Descripción Distribución
0 0 Sin oleaje Gaussiana
1 0 - 0.1 Olas cortas y bajas Gaussiana
2 0.1 - 0.5 Olas largas y bajas Weibull
3 0.5 – 1.25 Olas cortas y moderadas Weibull
Estado del Arte de las Tecnologías
10 Septiembre 2018 - Julio 2019 10
4 1.25 – 2.5 Olas medias y moderadas Weibull
5 2.5 – 4.0 Olas largas y moderadas K
6 4.0 – 6.0 Olas cortas y altas K
7 6.0 – 9.0 Olas medias y altas K
8 9.0 – 14-0 Olas largas y altas K
9 >14.0 Olas de longitud y altura indefinible K
Tabla 1: Escala de Douglas
Las dos estrategias más comúnmente utilizadas, que presentan buenas propiedades en
cuanto a probabilidad de detección son: la detección de cambios (Change Detection, CD) y
las técnicas CFAR (Constant False Alarm Rate). Además, estos dos métodos también se
pueden combinar para mejorar su eficacia [10].
2.4.1. Detección de cambios (Change Detection)
La detección de cambios empleando imágenes SAR es utilizada para muchas
aplicaciones como la monitorización medioambiental, la gestión de desastres naturales, la
inteligencia geoespacial, el desarrollo humano y la silvicultura. Es el algoritmo más
adecuado para detectar cambios transitorios con una fuerte diferencia de intensidad entre
imágenes.
Este método funciona con una pila temporal de imágenes de la misma zona, con la misma
geometría de visualización y la misma polarización. Consiste principalmente en comparar
dos imágenes SAR de estas características para calcular una estadística de cambio píxel por
píxel.
El cambio en decibelios entre dos imágenes SAR se le denomina métrica común de la
relación de amplitud (AR) y viene dada por la ecuación:
qAR = 10 log (𝐼2
𝐼1)
siendo Ii las intensidades del píxel bajo test de las dos imágenes comparadas. Un valor alto
de |qAR| indica un cambio en la imagen. De esta forma, el mapa de cambios, que identifica
las regiones cambiantes, se genera tomando como entrada una secuencia de dos imágenes
(I1 e I2) y umbralizando la matriz obtenida de la métrica |qAR|, dando lugar a una imagen
binaria expresada por:
𝐵(𝑥) = {1, 𝑠𝑖ℎ𝑎𝑦𝑢𝑛𝑐𝑎𝑚𝑏𝑖𝑜𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜𝑒𝑛𝑢𝑛𝑝𝑖𝑥𝑒𝑙0, 𝑒𝑛𝑙𝑜𝑠𝑑𝑒𝑚á𝑠𝑐𝑎𝑠𝑜𝑠
El umbral debe seleccionarse adecuadamente para optimizar la detección de los blancos
de interés y descartar los cambios no significativos debidos a la vegetación, movimiento de
las olas, derretimiento de nieve, etc. Además, se suele realizar un filtrado espacial del mapa
de cambios para eliminar cambios aislados provocados por el posible ruido en la imagen
[11].
2.4.2. Técnicas CFAR (Constant False Alarm Rate)
Estos algoritmos, cuya principal característica es que consiguen una probabilidad de
falsa alarma constante, son habitualmente empleados para la detección de blancos
marítimos por su buen desempeño en este entorno y debido a que posee diferentes variantes,
Estado del Arte de las Tecnologías
11 Septiembre 2018 - Julio 2019 11
cada una de las cuales diseñadas para incrementar el rendimiento de detección en diferentes
escenarios y estados del mar basándose todas ellas en un umbral adaptivo que determina la
detección o no de uno o varios blancos.
Generalmente, los algoritmos CFAR calculan un umbral de comparación (T) para
discriminar las embarcaciones del clutter de mar uniforme del fondo de la imagen. Este
umbral lo calcula mediante la estimación de la potencia de clutter de mar presente en un
grupo de M celdas llamadas celdas de referencia (RC), alrededor de una celda bajo test
(CUT), que es en la que se desea detectar la presencia o no de un blanco, sin considerar
ciertas celdas de guarda (GC), para evitar tomar como referencia celdas con muestras del
blanco, lo que podría provocar su auto-enmascaramiento. Por lo tanto, se declara una
detección en la imagen SAR cuando la intensidad de un píxel supere dicho umbral (T).
El conjunto de celdas de referencia suele denominarse ventana de referencia, que se va
deslizando por toda el área en estudio para determinar si se encuentra algún blanco o no en
la misma.
Figura 7: Ventana de referencia del algoritmo CFAR
Se han propuesto en la literatura científica diferentes variantes de este algoritmo para
mantener constante el nivel de falsas alarmas y una alta probabilidad de detección. La
principal diferencia entre las diferentes variantes es el método empleado para realizar la
estimación de la potencia de clutter y el umbral de detección [12, 13]:
• CA-CFAR (Cell-Averaging-CFAR): es uno de los algoritmos CFAR más utilizados,
el cual fue diseñado para condiciones de ruido homogéneo con distribución
Gaussiana. Calcula el umbral de comparación estimando el nivel medio de energía
en dos ventanas de celdas de referencia a cada lado de la celda bajo test o en una
ventana de referencia en dos dimensiones alrededor de la celda bajo test en el caso
de imágenes SAR. El principal inconveniente de esta variante es que sufre ciertas
limitaciones cuando están presentes varios blancos en el escenario o cuando el
blanco es de gran extensión y cubre múltiples celdas de resolución, produciéndose
el problema del enmascaramiento mutuo y del auto-enmascaramiento. El primero
hace referencia a la aparición de múltiples blancos cercanos que ocupan celdas de
la ventana de referencia, dando lugar a un incremento del umbral de detección,
mientras que el segundo se refiere a cuando un blanco ocupa múltiples celdas, por
ejemplo, una embarcación de grandes proporciones. Como consecuencia de estas
limitaciones surgieron las demás variantes.
• GO-CFAR (Greatest Of-CFAR): En esta variante el umbral de comparación se
calcula como el máximo de las medias de energía de las ventanas de celdas de
referencia a cada lado de la celda bajo test. Fue diseñado para resolver el problema
del aumento de falsas alarmas en situaciones con bordes de clutter, en los que una
zona del borde presenta una mayor intensidad.
Estado del Arte de las Tecnologías
12 Septiembre 2018 - Julio 2019 12
• SO-CFAR (Smallest Of-CFAR): En este caso, el umbral de comparación lo calcula
como el mínimo de las medias de energía estimada de las ventanas de CFAR a cada
lado de la celda bajo test. Fue diseñado para resolver el problema de
enmascaramiento mutuo en situaciones con múltiples blancos. Sin embargo, sufre
problemas del aumento de falsas alarmas en escenarios con bordes de clutter.
• OS-CFAR (Order Statistic-CFAR): El umbral de comparación se determina
ordenando los valores de las celdas de referencia de menor a mayor y seleccionado
el valor de la celda en la posición k-ésima, generalmente en la posición ¾ del
número total de celdas. De esta forma, se consigue una buena capacidad de
detección en situaciones con múltiples blancos o con posibles bordes de clutter a
costa de asumir unas pérdidas de detección de aproximadamente 1.4 dB respecto al
CA-CFAR [14].
2.5. Clasificación de blancos en imágenes SAR
Tras realizar la detección de los blancos en entornos marítimos utilizando los algoritmos
anteriormente descritos, se desea llevar a cabo su clasificación para distinguir entre aquellas
detecciones producidas por barcos y las debidas a otros blancos como icebers. Por este
motivo, se ha propuesto el empleo de técnicas de machine learning para procesar las zonas
de la imagen en las que se ha producido detecciones con el objetivo de llevar a cabo su
clasificación.
La inteligencia artificial (AI) surgió de la necesidad de automatización de procesos para
facilitar tareas cotidianas dejando paso a la idea de máquinas que resolvieran problemas por
sí solas. Estos sistemas se definen como aquellos que son capaces de interpretar datos
externos y emplearlos para conseguir objetivos específicos. Posteriormente, con el aumento
del volumen de datos y del aumento de su complejidad surgió la idea de crear una
automatización de procesos denominado Machine Learning o aprendizaje automático.
El Machine Learning o aprendizaje automático se engloba dentro de la disciplina de
inteligencia artificial. Hasta la llegada de este método, se requería de un experto humano
para llevar a cabo este proceso, ya que era capaz de descubrir algunos patrones formulando
un conjunto de reglas más o menos exactas para ser programadas. El aprendizaje automático
es un método científico que nos permite enseñar a los ordenadores u otros dispositivos, con
capacidad computacional, para que aprendan a resolver problemas, sin ser explícitamente
programados para ello. El resultado son algoritmos capaces de hacer predicciones y tomar
decisiones con datos desconocidos y sin una programación previa. Por lo tanto, definimos
el aprendizaje automático como la técnica que permite entrenar a nuestros ordenadores para
que aprendan a extraer patrones de nuestros datos por sí solos. Una de las principales
características de estos sistemas es la capacidad de aprender de los datos pasados, por ello
se distinguen dos tipos de aprendizajes:
- Aprendizaje supervisado: Se entrena a la maquina mediante una entrada de datos ya
etiquetados. Es decir, en este tipo de aprendizaje se sabe con anterioridad como debe
ser el resultado de la clasificación. Incluye métodos como la regresión lineal, cuyo
objetivo es predecir un valor de las observaciones, o los árboles de clasificación, cuyo
objetivo es predecir una clase de las observaciones. También se incluyen en este grupo
métodos más complejos como las redes neuronales y las máquinas de soporte
vectorial.
Estado del Arte de las Tecnologías
13 Septiembre 2018 - Julio 2019 13
Figura 8: Ejemplos de métodos de regresión lineal y árbol de decisión.
- Aprendizaje no supervisado: No produce una organización por etiquetas, sino que la
máquina debe poseer la capacidad de entender los patrones dentro del conjunto de
datos para obtener dicha clasificación. Estos algoritmos son normalmente utilizados
para tareas de clustering (también denominado segmentación), cuyo objetivo es
agrupar las observaciones en grupos significativos.
Figura 9: Ejemplo de proceso de clustering
El proceso de aprendizaje se basa en un “entrenamiento” de datos seleccionados para
poder extraer patrones y así poder ser validados con nuevos datos que puedan confirmar la
validez del modelo resultante. Por lo tanto, cuanto mayor sea el volumen de los datos mejor
resultados se obtendrán ya que se podrá entrenar y validar con más datos diferentes y así
obtener un modelo más eficiente y fiable.
Generalmente los datos disponibles se clasifican en tres tipos:
- Datos de entrenamiento
- Datos de validación
- Datos de prueba
El Deep Learning [15] pertenece a la tecnología de aprendizaje automático, el cual
emplea redes neuronales, con un gran número de capas jerarquizadas, para llevar a cabo la
tarea de aprendizaje mediante varias capas de diferentes características y las cuales
aprenden automáticamente a medida que el modelo es entrenado con datos. Por lo tanto, los
modelos de este método se entrenan mediante un conjunto de datos etiquetados, debido a
que se trata de un proceso supervisado, y las arquitecturas de redes neuronales aprenden
directamente de los datos proporcionados sin la necesidad de una extracción manual de
Estado del Arte de las Tecnologías
14 Septiembre 2018 - Julio 2019 14
características. El Deep Learning también es conocido como aprendizaje profundo para
hacer referencia a la cantidad de capas utilizadas para el aprendizaje, hasta 150 capas.
Las redes neuronales son un modelo basado en un conjunto de neuronas artificiales de
forma análoga a una red neuronal de los cerebros biológicos. Cada neurona puede estar
conectada con muchas otras. Por tanto, gracias a este modelo, estos sistemas aprenden por
sí solos sin ser programados anteriormente. La forma más simple de redes neuronales
artificiales es la arquitectura FeedForward la cual está formada por tres tipos de capas, que
se representan en la Figura 10:
- Capa de entrada
- Capas ocultas
- Capa de salida
Figura 10: Capas de una red neuronal
En la capa de entrada se reciben los datos de entrada y se pasan a las capas ocultas. En
las capas ocultas iniciales se aprenden algunas de las características de los datos y esto es
utilizado como entrada para la siguiente capa, y así sucesivamente. Por lo que con cada capa
de la jerarquía se construyen características más complejas de la entrada que en la capa
anterior. Por último, la capa de salida devuelve la predicción realizada.
La transformación de datos que se produce en cada capa es parametrizada por sus
respectivos pesos. Estos pesos determinan la importancia que tendrá esa relación en la
neurona al multiplicarse por el valor de la entrada. En cada neurona, se analizará la suma
de los valores recibidos y si éste supera un cierto umbral hará que la neurona se active y
envíe un valor a la siguiente capa conectada. Cada neurona de la red aplica una función de
activación específica para determinar su valor de salida a la próxima capa de neuronas.
El funcionamiento básico para el entrenamiento de estas redes neuronales se basa en una
inicialización aleatoria de los pesos de cada capa, por lo que inicialmente la salida del
modelo no es muy eficiente (la función de pérdida es muy grande). A medida que la red va
procesando los datos de entrenamiento, los pesos se van ajustando reduciendo así la función
de pérdida. Este proceso se denomina “entrenamiento” de la red. Una vez que se ha
minimizado la función de pérdida, el modelo se encuentra entrenado. Por lo tanto, la función
de pérdida mide la inexactitud de las predicciones.
Estado del Arte de las Tecnologías
15 Septiembre 2018 - Julio 2019 15
Dependiendo del tipo de entrada utilizada y de las capas empleadas, existen distintos
tipos de redes neuronales:
- Redes neuronales prealimentadas (Feed Forward): la información se mueve en una
sola dirección.
- Redes convolucionales: La principal característica es que los datos de entrada son,
generalmente, imágenes o datos en dos dimensiones (2D) y que están constituidas
por tres tipos de capas: capas convolucionales, capa de reducción (pooling) la cual
va a reducir los parámetros al quedarse con las características más relevantes, y
una capa clasificadora. Las características fundamentales de estas capas se
describirán posteriormente.
- Redes recurrentes: redes que presentan bucles de retroalimentación.
Finalmente, cabe destacar la ventaja del Deep Learning respecto al rendimiento con la
cantidad de datos en comparación con otras técnicas de Machine Learning. En la imagen
11, observamos que, a mayor cantidad de datos, el aprendizaje automático consigue poco
rendimiento, y el aprendizaje profundo a pesar de conseguir poco rendimiento con
conjuntos de datos de entrenamiento pequeños, a medida que estos aumentan el rendimiento
crece de manera abrupta. Por lo que el aprendizaje profundo es el método más adecuado
cuando se tiene una gran cantidad de datos de entrenamiento.
Figura 11: Comparativa entre las técnicas de Machine Learning tradicional y las técnicas de Deep
Learning en función del tamaño del conjunto de datos de entrenamiento
2.6. Satélites SAR en operación
El primer satélite diseñado para observar los océanos terrestres con un radar de apertura
sintética abordo fue el Seasat. Este satélite fue lanzado el 28 de junio de 1978 y fue
controlado por la NASA hasta que finalmente un cortocircuito en el sistema eléctrico
finalizó su misión. Su objetivo principal fue demostrar la viabilidad de la observación por
satélite de fenómenos oceanográficos como la temperatura del mar, la altura de las olas,
vientos marinos, agua atmosférica y topografía oceánica.
Actualmente, son varios los satélites SAR que están operativos proporcionando
información tanto para usos civiles como militares. Los más importantes son:
• TerraSAR-X:
Es el primer satélite desarrollado en el marco de un acuerdo público-privado entre
el Centro Espacial Alemán (DLR), en representación de la administración pública,
junto con la empresa especializada en sistemas satelitales EADS-Astrium
Estado del Arte de las Tecnologías
16 Septiembre 2018 - Julio 2019 16
(actualmente Airbus defence and space). El satélite fue lanzado en junio de 2007 y
se encuentra operativo desde inicios de 2008. Posee una altura orbital de 514 km y
funciona en banda X a 9,65GHz. TerraSAR-X fue el primer satélite radar comercial
para la observación de la Tierra, posee un tiempo de revisita de 11 días y proporciona
de forma fiable imágenes radar con una resolución que puede alcanzar 1 m
independientemente de las condiciones climáticas. A diferencia de los anteriores
satélites SAR operativos, la antena puede alinearse de forma electrónica dentro de
un rango de ángulos, entre 20º y 60º, para apuntar desde la trayectoria orbital a más
franjas terrestres en función de las necesidades operativas en cada momento [16].
Las aplicaciones de las imágenes SAR de este satélite son:
- La obtención de Modelos Digitales del Terreno (DMT) y Modelos Digitales
de Superficie (DMS) con precisión de 5 metros de altura.
- La realización de cálculos interferométricos para la detección de subsidencias
con una resolución de 3mm (obras subterráneas).
- Evaluación y vigilancia de océanos y costas.
- Cartografía rápida para dar respuestas y evaluaciones en catástrofes naturales.
- Cartografía temática (atlas urbano, agricultura de precisión)
En 2010, con el lanzamiento de su hermano gemelo TanDEM-X sobre la misma
órbita, se llevó a cabo la generación de WorldDEM, el Modelo Digital de Elevacion
(MDE) global y homogéneo, consistente en un base de datos de ambos satélites lo
que permitió mejorar las prestaciones ofrecidas a los clientes en cuanto a la
capacidad de adquisición de imágenes, reduciendo el tiempo de revisita.
Como se comentará más adelante, en 2018 se incluirá en esta constelación el satélite
Paz mejorando más aún estas prestaciones.
• Sentinel-1:
Los satélites gemelos, Sentinel-1A y Sentinel-1B, formaron parte de la primera
misión espacial Copérnico, lanzados por la Agencia Espacial Europea (ESA) en
2014 y 2016, respectivamente. Son satélites Radar de Apertura Sintética (SAR) que
permiten obtener imágenes independientemente de las condiciones climáticas,
dando información tanto para el sector público como privado. Sus aplicaciones
principales son:
- Monitorizar el hielo de los mares, el entorno marino y los cambios en la
superficie de la Tierra.
- Apoyo en la ayuda humanitaria en situaciones de crisis.
Sentinel-1 posee un tiempo de revisita de 6 días y tiene una resolución espacial de
5m. Sentinel-1 tiene una altitud de órbita de 693 km y funciona en la banda C.
Proporciona imágenes gratuitas y actualizadas mediante la página web de la ESA en
la que es necesario registrarse para su adquisición (https://scihub.copernicus.eu/ ).
• Satélite Paz:
La misión Paz surge de la necesidad de desarrollar un satélite SAR español que
proporcione imágenes radar para usuarios de seguridad y defensa, civiles y
científicos [17]. En el año 2007 los Ministerios de Defensa e Industria, Turismo y
Comercio crearon el Programa Nacional de Observación de la Tierra por Satélite
Estado del Arte de las Tecnologías
17 Septiembre 2018 - Julio 2019 17
(PNOTS) basado en un sistema de dos satélites, Paz e Ingenio, que combinan las
dos tecnologías de observación, radar y óptica, tanto para el uso civil como militar.
Gracias a este desarrollo, España obtendrá la capacidad operativa de un sistema dual
de observación de la Tierra, siendo el primer país europeo que contará con dicha
capacidad.
HISDESAT como propietaria, operadora y explotadora del satélite Paz contrató su
diseño y fabricación a Airbus defence and space que lideró un consorcio formado
por 15 empresas y 3 universidades (Universidad Politécnica de Madrid, de Alcalá
de Henares y de Cataluña).
El 22 de febrero de 2018 el satélite Paz se lanzó con éxito a bordo del lanzador
Falcon 9 de la compañía americana SpaceX, y tras la separación del mismo se llevó
a cabo el proceso de seguimiento y monitorización desde el centro de control de
Torrejón de Ardoz, operado por el Instituto Nacional de Técnica Aeroespacial
(INTA).
El satélite Paz cubre un área de más de 300.000 km2 al día, pudiendo tomar más de
100 imágenes diarias de hasta 25 cm de resolución, tanto diurnas como nocturnas, e
incluso en situaciones meteorológicas adversas, y posee un tiempo medio de revisita
de 11 días [18]. Posee unas dimensiones de 5 m de altura y 2,4 m de diámetro.
Funciona en la banda X y tiene una altura orbital de 512 km.
El satélite Paz proporciona más precisión en la valoración de los recursos naturales,
mayor capacidad de respuestas ante catástrofes naturales, más eficacia en la lucha
contra la contaminación, mejor planificación y ordenación de las infraestructuras,
una cartografía de gran resolución, e información estratégica para la toma de
decisiones en el ámbito de la defensa y seguridad. Entre sus numerosas aplicaciones
[18], caben destacar:
- La inteligencia.
- El control medioambiental.
- La protección de recursos naturales.
- Las operaciones militares.
- La vigilancia de la superficie terrestre, el entorno marítimo y urbanismo.
- La planificación de infraestructuras.
- La evaluación de catástrofes naturales.
- La cartografía de alta resolución.
En constelación con los satélites alemanes TerraSAR-X y TanDEM-X, se reducen
los tiempos de revisita, entre 4 y 7 días, y se incrementa la capacidad de adquisición
de imágenes para aplicaciones de vigilancia y generación de mapas. La creación de
esta constelación responde a la creciente demanda de la industria de observación de
la Tierra basada en la tecnología radar.
Estado del Arte de las Tecnologías
18 Septiembre 2018 - Julio 2019 18
Figura 12: Seasat, primer satélite SAR de observación de la Tierra y principales satélites SAR en
operación
3. Referencias
[1] HisdeSAT: “Satélite PAZ. Servicios”, 2018 [Online]. Disponible en: https://www.hisdesat.es/
wp-content/uploads/2018/10/PAZ.pdf [Accedido 31/07/2019]
[2] E. Podest: “Conceptos Básicos del Radar de Apertura Sintética”, 2017 [Online]. Disponible en:
https://arset.gsfc.nasa.gov/sites/default/files/water/Brazil_2017/Day1/S1P2-span.pdf
[Accedido 31/07/2019]
[3] F. Pérez Martínez: Los “sentidos” de los Sistemas para la defensa y la seguridad, Fundación
Rogelio Segovia para el Desarrollo de las Telecomunicaciones, 2011.
[4] J. Xu, Y. Ma, J. Li, Y. Peng: “Optimizing CFAR-Based Target Detection Algortihm for DSP
Platform”, 6th International Conference on Instrumentation & Measurement, Computer and
Control, 2016.
[5] E. García Lebière: Simulacion de un radar de alto resolucion (SAR) multicanal, Proyecto Fin
de Carrera, Universitat Politècnica de Catalunya, 2012.
[6] A.W. Doerry, E.E. Bishop, J.A. Miller: “Basic of backprojection algorithm for processing
Synthetic Aperture Radar Images”, Sandia National Laboratories Report, 2016.
[7] J.C. Kirk: “Motion compensation for synthetic aperture radar”, IEEE Transactions on
Aeroespace and Electronic System, vol. 3, pp. 338-348, 1975.
[8] J. L. Ferreras: “Programa Nacional de Observación de la Tierra por Satélite – PNOTS”, XIV
Congreso Asociación Española Teledetección, 2011.
[9] M. Skolnik: Introduction to radar system, Mc Graw Hill, New York, 2001.
Estado del Arte de las Tecnologías
19 Septiembre 2018 - Julio 2019 19
[10] Y. Sui, H. Zou, L. Lei, Z. Li: “A novel tempate-based change detection technique for harbor
ship target”, 2nd International Conference on Digital Manufacturing & Automation, 2011.
[11] J. Sharma, F. Greene, R. Caves: “Wide Area Amplitude Change Detection using RADARSAT-
2”, 12th European Conference on Synthetic aperture Radar, 2018.
[12] H. Rohling: “Radar CFAR Thresholding in clutter and Multiple Target Situations”, IEEE
Transactions on Aerospace and Electronic Systems, vol. 4, pp. 608-621, 1983.
[13] M.A. Richards, J.A. Scheer, W.A. Holm: Principles of Modern Radar, SciTech Pub., 2010.
[14] N. Levanon: “Detection Loss Due to Interfering Targets in Ordered Statistics CFAR”, IEEE
Transactions on Aerospace and Electronic Systems, vol. 24, no. 6, pp. 678-681, 1988.
[15] Mathworks: “Deep Learning” [Online]. Disponible en: https://es.mathworks.com/discovery/
deep-learning.html [Accedido 31/07/2019].
[16] T. Fernández de Sevilla: “Utilización de tecnologías TerraSAR-X para determinación de zonas
inundadas en fase de emergencia”, 14º Congreso Nacional de Tecnologías de la Información
Geográfica, 2010.
[17] M.P. Jarabo Amores, M.J. González Bonilla, D. De la Mata Moya, J. Martín de Nicolás Presa,
N. del Rey Maestre, J.L. Bárcena Humanes, V.M. Peláez Sánchez: “Explotación científica de
productos Paz en tareas de vigilancia y monitorización costera”, Revista de Teledetección, vol.
41, pp. 97-109, 2014.
[18] Instituta Nacional de Técnica aeroespacial (INTA): “La órbita de PAZ”, 2018 [Online].
Disponible en: http://www.inta.es/WEB/INTA/es/blogs/copernicus/BlogEntry_15198945
55064 (Accedido 31/07/2019)
[19] HisdeSAT: “PAZ” [Online]. Disponible en: https://www.hisdesat.es/satelites_observ-paz/
(Accedido 31/07/2019)