El proyecto Galileo presenta sus resultados

A pocas horas para que arranque la audiencia pública sobre UAPs en el Congreso de los Estados Unidos han trascendido los primeros resultados del Proyecto Galileo, una iniciativa del astrónomo de Harvard, Avi Loeb, con el objetivo de identificar fenómenos inexplicables en el firmamento gracias a la inteligencia artificial.  Una IA, por cierto, que ha sido entrenada para saber diferenciar UAPs de cinco categorías, a saber: aves, globos, aviones y drones comerciales o militares.

El proyecto se puso en marcha el 26 de julio de 2021 después de que se hiciera público el primer informe anual sobre Fenómenos Anómalos No Identificados (UAP, por sus siglas en inglés) de la Oficina del Director de Nacional Inteligencia (ODNI). En este documento se plantea que los UAP pueden ocasionar problemas de seguridad aérea y, potencialmente, desafiar la seguridad nacional de Estados Unidos por lo que, desde entonces, varios organismos oficiales  aumentaron la asignación de recursos y optaron por reforzar iniciativas capaces de recopilar datos sobre las evoluciones de estos objetos en los cielos.

El proyecto Galileo es un complemento del SETI tradicional, ya que busca objetos físicos, y no señales electromagnéticas asociadas con equipos tecnológicos extraterrestres. Loeb nunca escondió que su iniciativa podría detectar pequeños satélites que pudieran estar orbitando la Tierra partiendo de la idea de que "los extraterrestres están ahí fuera y no se puede ignorar su existencia". 

El proyecto Galileo puso en funcionamiento un observatorio terrestre multimodal y multiespectral para monitorear continuamente el cielo y recopilar datos para estudios de UAP a través de un riguroso censo aéreo a largo plazo de todos los fenómenos aéreos, incluidos los naturales y los provocados por el hombre.

Uno de los instrumentos clave es un conjunto de cámaras infrarrojas de todo el cielo que utiliza ocho cámaras infrarrojas FLIR Boson 640 de onda larga sin refrigeración. Además de realizar calibraciones intrínsecas y térmicas, los científicos implementaron un novedoso método de calibración extrínseca utilizando posiciones de aviones a partir de datos de vigilancia dependiente automática por transmisión (ADS-B, por sus siglas en inglés). También utilizaron, como adelantamos previamente, un modelo de aprendizaje automático, el YOLO, para la detección de objetos y un algoritmo de seguimiento simple en línea y en tiempo real (SORT) para la reconstrucción de trayectorias... Y estos son los resultados. 

💥BREAKING : Galileo first UAP data 💥

144 ambiguous objects remained, which / cannot be elucidated without distance estimation / Our observed count of ambiguous outliers / yields an upper limit of 18,271 outliers#ufotwitter https://t.co/juysmqRRCk pic.twitter.com/KZSZ26Xik1

— Baptiste Friscourt (@Baptiste_Fri) November 13, 2024

Después de escanear manualmente todas las trayectorias marcadas como atípicas, en función de los criterios de alta sinuosidad, los científicos detectaron 144 trayectorias ambiguas incluso después de una verificación manual, "con formas de trayectoria básicas similares a las generadas en nuestro conjunto de datos sintéticos: segmentos en bucle, trayectorias rectas y por partes" -se lee en el informe científico.

En total, los sensores del proyecto Galileo contaron 27.467 aviones que volaron en un radio de 10 Km centrados en el observatorio, de cuales 8.550 se amoldaban a los criterios de selección y, de estos, 3.678 coincidieron en al menos un cuadro con un delimitador de detección YOLO (acrónimo de You Only Look Once, un modelo de aprendizaje automático).

La eficiencia de detección depende en gran medida de las condiciones climáticas, el alcance y el tamaño de la aeronave. Aproximadamente 500 mil trayectorias de objetos aéreos se reconstruyen a partir de este período de puesta en servicio de cinco meses.

"Nuestro recuento observado de valores atípicos ambiguos combinado con incertidumbres sistemáticas produce un límite superior de 18.271 valores atípicos para el intervalo de cinco meses con un nivel de confianza del 95 %" -se lee en el informe. Queda mucho por investigar.