Modelos de Fundación de Teledetección: Cómo adaptar la IA a datos de satélite

Una investigación publicada en arXiv como capítulo de revisión examina la aplicación de modelos fundamentales a la observación de la Tierra a través de satélites y sensores aéreos.

Qué son los Modelos Fundamentales de Teledetección

Los Modelos Fundamentales de Teledetección (RSFM) son modelos grandes entrenados en archivos de imágenes de satélites y aéreas. A diferencia de los modelos tradicionales de visión por computadora, que aprenden de fotos de gatos y rostros, RSFM ven el planeta: ciudades, campos, bosques, nubes, océanos.

Ejemplo: quieres predecir el rendimiento del trigo en una región específica. En lugar de escribir un modelo desde cero solo para esta tarea, tomas un RSFM ya entrenado en imágenes de satélite, lo adaptas a tu tarea — y el modelo comienza a funcionar, porque ya sabe cómo leer datos de satélites.

Por qué un Modelo Fundamental Universal No Funciona

Aquí está el problema: los datos de satélites son físicamente diferentes de las fotos normales.

• Diferentes sensores, diferentes longitudes de onda (infrarrojo, rojo, azul, onda corta)
• Distorsiones atmosféricas: nubes, neblina, aerosoles cambian lo que ve el satélite
• Baja resolución espacial (10-100 metros por píxel, no como fotos de teléfono inteligente)
• Limitaciones de tiempo: un satélite vuela sobre un lugar una vez cada pocos días, necesitas atrapar el momento
• Física de las mediciones: la reflectancia espectral sigue leyes físicas, no patrones arbitrarios en datos de entrenamiento

No existe un único modelo universal que funcione igualmente bien para todas las tareas de observación de la Tierra. Los puntos de referencia son contradictorios. El modelo A es mejor para predicción agrícola, el modelo B es mejor para clasificación de tipos de edificios. Esto se debe a que cada RSFM fue diseñado para su propio conjunto de datos, y la transferencia de conocimiento requiere ajuste.

Ejemplos: Cuándo la Adaptación es Crítica

Predicción de algas nocivas. Una red neuronal aprende a predecir proliferaciones de algas tóxicas en lagos y mares. Solo las características espectrales no son suficientes — necesitas tener en cuenta una máscara espectral que te diga exactamente dónde en la imagen buscar floraciones. Esto requiere enmascaramiento informado por física: el modelo debe entender no solo patrones, sino la física de por qué aparecen las algas allí.

Selección de estaciones de monitoreo. Otra tarea: ¿dónde colocar una nueva estación de monitoreo ambiental? Un modelo con adaptación, entrenado con aprendizaje por refuerzo, sabe cómo seleccionar ubicaciones que proporcionen información máxima sobre el clima y el estado de la naturaleza.

Qué sigue

La próxima generación de RSFM debe evaluarse no solo por métricas de precisión estándar (exactitud, F1), sino también por:

• Adaptación específica de modalidad: el modelo debe transferirse bien a nuevos tipos de sensores y longitudes de onda
• Plausibilidad física: las representaciones en la red neuronal deben corresponder a la física real de las mediciones de satélite, no solo a patrones de datos

Esto significa que en el futuro RSFM se construirán teniendo en cuenta no solo el aprendizaje automático, sino el conocimiento de dominio — física, astronomía, climatología.

Lo que esto significa

En dominios complejos especializados (observación de la Tierra, medicina, simulaciones científicas) los modelos fundamentales no son una panacea. Un modelo grande entrenado en miles de millones de parámetros simplemente no es suficiente. Necesitamos adaptación a la física de la tarea, a la especificidad de los datos, a limitaciones reales. El siguiente paso en la IA no es solo más parámetros, sino más significado físico.