Remote Sensing Foundation Models: cómo adaptar la IA a los datos satelitales

Un estudio publicado en arXiv como capítulo de revisión analiza la aplicación de los foundation models a la observación de la Tierra mediante satélites y sensores aéreos.

Qué son los Remote Sensing Foundation Models

Los Remote Sensing Foundation Models (RSFM) son grandes modelos entrenados con archivos de imágenes satelitales y aéreas. A diferencia de los modelos tradicionales de visión por computador, que aprenden de fotos de gatos y rostros, los RSFM miran el planeta: ciudades, campos, bosques, nubes, océanos.

Un ejemplo: quieres predecir la cosecha de trigo en una región concreta. En lugar de escribir un modelo desde cero para esa única tarea, tomas un RSFM ya entrenado con imágenes satelitales y lo adaptas a tu tarea. El modelo empieza a funcionar porque ya sabe leer datos satelitales.

Por qué un foundation model universal no funciona

El problema es que los datos satelitales son físicamente distintos de las fotografías normales.

• Distintos sensores, distintas longitudes de onda (infrarroja, roja, azul, onda corta)
• Distorsiones atmosféricas: nubes, bruma y aerosoles cambian lo que ve el satélite
• Baja resolución espacial (10-100 metros por píxel, nada que ver con la foto de un smartphone)
• Limitaciones temporales: el satélite pasa sobre un lugar una vez cada varios días, así que hay que aprovechar el momento
• Física de la medición: la reflectancia espectral obedece leyes físicas, no patrones arbitrarios de los datos de entrenamiento

No existe un modelo universal que funcione igual de bien en todas las tareas de observación de la Tierra. Los benchmarks son contradictorios. El modelo A es mejor en predicción agrícola; el modelo B, en clasificación de tipos de edificios. Esto se debe a que cada RSFM se desarrolló para su propio conjunto de datos, y la transferencia de conocimiento requiere ajuste fino.

Ejemplos: cuándo la adaptación es crítica

Predicción de algas nocivas. Una red neuronal aprende a predecir brotes de algas tóxicas en lagos y mares. Las características espectrales por sí solas no bastan: hay que tener en cuenta una máscara espectral que indica en qué parte de la imagen buscar la floración. Esto exige un enmascarado informado por la física (physics-informed): el modelo debe entender no solo los patrones, sino también la física de por qué aparecen allí las algas.

Elección de estaciones de monitoreo. Otra tarea: ¿dónde colocar una nueva estación meteorológica para observar el medio ambiente? Un modelo adaptado y entrenado con aprendizaje por refuerzo puede elegir ubicaciones que aporten la máxima información sobre el clima y el estado de la naturaleza.

Qué viene después

La próxima generación de RSFM debería evaluarse no solo con métricas estándar de precisión (accuracy, F1), sino también por:

• Adaptación específica por 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 satelitales, no solo a patrones en los datos

Esto significa que en el futuro los RSFM se construirán teniendo en cuenta no solo el aprendizaje automático, sino también el dominio: física, astronomía, climatología.

Qué significa esto

En dominios complejos y especializados (observación de la Tierra, medicina, simulaciones científicas), los foundation models no son una panacea. Un modelo grande entrenado con miles de millones de parámetros no basta. Hace falta adaptarlo a la física de la tarea, a las particularidades de los datos y a las limitaciones reales. El siguiente paso de la IA no es simplemente más parámetros, sino más sentido físico.