Oscar Hache

[Nico @nicos_ai]

GOOGLE HA LIBERADO EN SILENCIO UNA IA QUE PREDICE PATRONES

Ventas. Precios de mercado. Tráfico web.
Demanda energética. Volatilidad cripto.

Se llama TimesFM:

→ Entrenada con 100B de datos reales
→ Forecasting zero-shot, sin fine-tuning
→ Corre en local.

100% Gratis y Open Source.

Enlace abajo👇

[まちの計量舎 @machi_measure]

都市には「観光客にしか見えていない場所」と「地元民にしか見えていない場所」がある。

Eric Fischer氏の「Locals and Tourists」は、Flickr等の写真のジオタグ（位置情報）を解析し、誰がどこを撮影したかを地図上にプロットした、都市のデータ可視化（データ・ビジュアライゼーション）の先駆的な事例。

🔴赤 = 観光客
🔵青 = 地元民
🟡黄 = 判定不能（どちらの可能性もある場所）

興味深いのは、同じ空間のなかで、赤と青のスポットが微妙にズレた広がりを見せている点。旅先としての非日常の都市と、生活の場としての日常の都市。その「二重性」が写真撮影場所のデータだけでここまでクリアに見えてくるのが面白い。

🗺️ 出典：Eric Fischer, Locals and Tourists, 2010 https://t.co/AN2OnuC4sL

#データ可視化 #情報デザイン #都市計画 #地図

[Muhammad Rizwan Munawar @muhammdrizwanmr]

Plants detection using @ultralytics YOLO26🌱

Here’s how I did it:

✅ Collected plant images (you can generate datasets from videos too).

✅ Annotated them in bounding box format using Ultralytics Platform.

✅ Trained YOLO26 on the detection dataset

#plants #agriculture #MachineLearning

[Python Maps @PythonMaps]

Forest Loss. This map shows forest loss since 2000 in Africa. Defined as a stand-replacement disturbance, or a change from a forest to non-forest state.

[Simon Kuestenmacher @simongerman600]

What an amazing way to visualize early human migration. Lovely map by @HarvardCGA. A great colour scheme and an appropriate map projection! Source: https://t.co/aD8kct1ucD

[Milos @milos_gis]

Python can now spin the globe with population spikes.
Built with my package forge3d 👉https://t.co/IvUfbpSVPo

[nm @forestgeoinfo]

class有のlasから樹冠高/樹冠形状/反射強度をRGBに格納したWEBPタイルをpythonで生成し、そのパラメータをブラウザ演算し、林相識別図を描写する機能を開発中。航測会社の鮮やかな色合いって、工夫されてるんだなあ。引き続き研究。

[Python Maps @PythonMaps]

Forest Loss. This map shows forest loss since 2000 in South America. Defined as a stand-replacement disturbance, or a change from a forest to non-forest state.

[nm @forestgeoinfo]

デモサイトを載せました。石川県か鳥取県でお試し下さい。
↓
ForestGeoStudioプラグインが樹冠解析（単木抽出）に対応 |https://t.co/dgiKhRyHEs

[DailyPapers @HuggingPapers]

Alibaba just released ABot-Earth 0.5

A generative 3D model that builds seamless environments from satellite imagery in under 10 minutes per km².

It uses 3D Gaussian Splatting for real-time web maps and embodied AI like UAV navigation.

[Guy Abel 鄭蓋堡 @guyabelguyabel]

🚨Out today in @Nature our new paper uses deep learning to map four decades of global human migration.

By building the first comprehensive dataset of global annual flows (1990-2023), we reveal that migration has nearly tripled since 2000.

🔗https://t.co/DuPQKF1asT

[Juan Pérez Ventura @perezventura92]

Todos los #mapas que he elaborado (más de 200 cartografías) se pueden descargar libremente en: https://t.co/yJpqJJpZ8D

Empecé con la divulgación allá por 2012, cuando creé https://t.co/2LW2qX4IxL, y desde siempre he creído en la difusión abierta y gratuita de contenidos 😉

[Tom Dörr @tom_doerr]

Generates maps and 3D models from aerial drone imagery

https://t.co/gO8zsjzM0H

[marcus @marcusyul]

ESTO ES UN PALANTIR GRATIS Y SE INSTALA EN UN SOLO COMANDO

se llama OSIRIS.

abres un globo 3D en tu navegador y ves, en tiempo real:

→ +10.000 aviones en el aire
→ +2.000 satélites
→ cámaras CCTV de todo el mundo
→ incendios, terremotos, tráfico marítimo
→ 13 zonas de conflicto activas

todo en una sola pantalla.

y no se queda ahí.

trae un toolkit OSINT dentro:
port scanner, DNS, WHOIS, análisis de dominios.

Palantir cuesta millones.
esto es:

→ open source
→ MIT
→ docker compose up
→ listo

la mayoría de fuentes funcionan sin meter ni una API key.

por qué te importa:

el tipo de inteligencia que antes solo tenían gobiernos…

ahora la levantas tú en tu portátil en 5 minutos.

ideal para periodismo, seguridad o verificación.

repo ⬇️

[Tom Dörr @tom_doerr]

Maps your computer's live internet connections globally

https://t.co/J5kZp9nEWu

[Yohan @yohaniddawela]

Geospatial models has a strange problem. It can recognise a house in one crop, then forget the road network around it a few kilometres later.

That’s because most remote sensing models are still built around small image tiles. They label patches of land, one crop at a time. A building is a building. A road is a road. A field is a field.

But satellite imagery doesn’t work like a folder of neatly cropped photos. It comes as huge scenes covering hundreds of square kilometres, where the meaning of a pixel often depends on what surrounds it.

A narrow strip of water could be a river, canal, drainage channel, or pond edge. A pale rectangle could be a roof, greenhouse, road surface, or bare ground. The local texture gives clues, but the wider geography often gives the answer.

This creates a bit of a trade-off.

Use small crops and the model keeps sharp detail, but loses context. It can see the road surface, but loses the road network. It can label water pixels, but loses the shape that tells you whether it’s a pond, river, lake, or canal.

Use the full image and the model gets the broader scene, but fine detail gets compressed. Narrow roads blur. Small buildings disappear. Boundaries get messy.

A new paper from Beihang University and NTU tries to solve this with SFR-Net, a model for ultra-wide area remote sensing segmentation.

The core idea is pretty simple: make the model look at the same place from multiple “altitudes” at once.

For each target area, SFR-Net creates three aligned views. A local view for fine detail. A short-range view for nearby context. A long-range view for the wider landscape.

All three are centred on the same location. The model isn’t stitching together random tiles. It’s building a stack of views around one place, closer to how a person might move between a drone image, a city map, and a regional map.

The authors call this a scale-frustum representation.

Then the model fuses the views in stages. First, the local view absorbs nearby context. Then that richer view absorbs the broader scene. Instead of choosing between detail and context, it builds from one into the other.

The results are meaningful.

On GID, SFR-Net reaches 74.67% mIoU and 86.94% overall accuracy, beating the previous best by 1.72 percentage points in mIoU.

On FBPS, the harder dataset with 24 fine-grained land-cover classes, it reaches 77.24% mIoU and 92.91% overall accuracy. That’s a 4.29 point mIoU gain over the previous best.

That second result is the more interesting one. Fine-grained land-cover mapping is where the confusion gets worse: river versus pond, road versus bare ground, small building versus surrounding urban fabric.

The model improves most where geography starts doing the work that texture can’t.

Remote sensing models have borrowed heavily from normal computer vision. That helped the field move fast, but aerial imagery has a different structure. Roads, rivers, forests, cities, and fields are spatial systems. Their meaning depends on scale, shape, continuity, and surroundings.

[Three.js @threejs]

Rendering a 125GB Protomaps vector tile dataset dynamically in Three.js using compute passes and workers

[CopyRebeldia @CopyRebeldia]

La tabla periódica de la pared del aula acaba de quedar vieja.

Un tío la convirtió en una app que se explora como un videojuego: átomos en 3D, moléculas, retos y quiz.

UI con GPT Images 2.
Código con Gemini 3.1 Pro.

Memorizar símbolos ya no sirve.

[Ankor Inclán @ankorinclan]

En los años 70, una empresa siderúrgica japonesa llamada Nippon Steel tenía un problema: sus instalaciones industriales habían arrasado el paisaje y necesitaban plantar algo verde alrededor. Llamaron a un botánico de la Universidad Nacional de Yokohama llamado Akira Miyawaki.

Lo que Miyawaki plantó no se parecía a nada que Nippon Steel hubiera visto antes.

Miyawaki había nacido el 29 de enero de 1928 en la prefectura de Okayama, en el seno de una familia de agricultores. Estudió ecología vegetal en Hiroshima y luego se marchó a Alemania a trabajar con el botánico Reinhold Tüxen, pionero de la fitosociología, la ciencia que estudia cómo las plantas forman comunidades entre sí. De Tüxen aprendió el concepto que definiría toda su carrera: la vegetación potencial natural, es decir, lo que crecería en un lugar determinado si el ser humano no lo hubiera alterado nunca.

Cuando volvió a Japón en 1960, empezó a recorrer templos y santuarios sintoístas. Había allí algo que el resto del país había perdido: los chinju-no-mori, los bosques sagrados que rodeaban los lugares de culto y que llevaban siglos sin ser tocados porque se consideraban protegidos por los dioses. Eran densos, caóticos, extraordinariamente ricos en especies. Miyawaki los cartografió durante años como referencia de lo que debía existir.

Cuando Nippon Steel lo llamó, aplicó exactamente esa lógica: averiguó qué especies habrían crecido naturalmente en ese suelo, preparó la tierra con materia orgánica, y plantó decenas de especies nativas juntas, en alta densidad, dejando que compitieran y se organizaran como lo haría un bosque joven. Sus colegas lo miraban con escepticismo. Decían que los árboles se ahogarían entre sí.

No se ahogaron. Crecieron diez veces más rápido que en reforestaciones convencionales. En dos o tres años se volvían autosuficientes. Capturaban treinta veces más CO₂ que los bosques plantados de forma tradicional. Y eran treinta veces más densos.

El método se extendió. Miyawaki plantó más de 4.000 bosques en 40 países a lo largo de su vida, desde Japón hasta Malasia, Brasil, Francia y España. En sus propias palabras, recogidas en su discurso al recibir el Premio Blue Planet en 2006: "En lugar de restaurar simplemente los bosques que existían antes, este trabajo implica crear genuinos bosques nativos a través de rigurosos estudios de campo e investigación ecológica para asegurar un futuro sin cometer errores."

Murió el 16 de julio de 2021, a los 93 años.

Lo que dejó no es solo un método de plantar árboles. Es una pregunta que cualquier ciudad del mundo puede hacerse antes de empezar: ¿qué bosque quería crecer aquí antes de que llegáramos nosotros?

Fuentes: Wikipedia / Akira Miyawaki — datos biográficos verificados con fechas y premios

Universidad de Washington Tacoma, Miyawaki Microforest Project — documentación técnica del método con datos verificados: 10x velocidad, 30x densidad
Mongabay, "Miyawaki forests are a global sensation" (junio 2023) — análisis académico con fuentes primarias del método y sus críticos
Fundación Asahi Glass, Premio Blue Planet (2006) — cita directa de Miyawaki en su discurso de aceptación

[Bert Temme @berttemme]

Rendering a 125GB @protomaps vector tile dataset dynamically in @threejs https://t.co/9O5EIHFzy9