Dos redes neuronales abiertas encontraron 28 zonas de nueva construcción en imágenes de Moscú

La revisión de imágenes satelitales se convierte rápidamente en un trabajo que no se puede hacer razonablemente a simple vista. Hay que encontrar escenas sin nubes, alinear fechas distintas, comparar cientos de kilómetros cuadrados y no perder el resultado en una carpeta de ráster. En un experimento en el territorio de Nueva Moscú, un agente de IA montó esta cadena mientras los cálculos se mantenían en local. El resultado no fue una demostración llamativa, sino una cola de trabajo realmente útil: 28 zonas que merece la pena que revise una persona.

El ejemplo es claro. Se tomó un rectángulo de 455,60 km² cerca de Troitsk, Desná, Krásnaya Pajra y Shchápovo. Para él se encontraron tres imágenes estivales de Sentinel-2: una de julio de 2025 y dos de julio y agosto de 2026. El sistema buscó lugares donde la superficie había cambiado respecto a 2025 y donde, al mismo tiempo, había aumentado la probabilidad de construcción. Tras el filtrado, quedaron aptos para la comparación 455,46 km².

Dos modelos en lugar de una conjetura

El primer modelo, FC-Siam-diff, recibe un par de imágenes y marca los píxeles que han cambiado. Es una señal útil, pero por sí sola no dice nada sobre la causa: un campo pudo amarillear, el suelo pudo mojarse y una sombra pudo desplazarse. Por eso se ejecutó también Dynamic World. Este modelo divide la superficie en nueve clases, entre ellas agua, vegetación, tierras agrícolas, suelo desnudo y zonas edificadas.

El filtro final exigía la coincidencia de dos indicios independientes. FC-Siam-diff debía detectar el cambio tanto en la imagen de julio como en la de agosto de 2026 respecto a 2025. Dynamic World debía mostrar un aumento sostenido de la puntuación de la clase «edificado» en ambas fechas nuevas. El autor eligió los umbrales manualmente: probabilidad de cambio superior al 50 %, puntuación de edificación en 2025 inferior al 35 % y, en 2026, superior al 55 % con un aumento de al menos 25 puntos porcentuales.

Este enfoque reduce notablemente la búsqueda. Un modelo señaló 144 áreas con un total de 108,32 ha; el otro, 339 áreas con 170,80 ha. Su intersección dejó 28 polígonos con 12,44 ha. En los seis candidatos más grandes, la inspección visual confirmó cambios en superficies artificiales u obras.

Dónde trabajó el agente

Al agente no se le encargó el reconocimiento de imágenes, sino el montaje del proceso. Encontró los datos mediante la API STAC del catálogo Earth Search, preparó los scripts, llevó los canales a una cuadrícula común, ejecutó los pesos ya entrenados de los modelos y subió las capas a un servicio cartográfico. Los canales satelitales se remuestrearon a una cuadrícula de 10 metros, las nubes y sombras se excluyeron con la capa SCL y los datos categóricos se interpolaron por el método del vecino más próximo.

Tras la inferencia, se eliminaron de las máscaras ráster las áreas conexas de menos de nueve píxeles, es decir, 900 m². Después se convirtieron en polígonos GeoJSON con superficie, fecha y tipo de modelo. Junto con las imágenes RGB originales, estos polígonos se publicaron como capas independientes del mapa. Un colega puede abrir el enlace, activar la fecha que quiera y comprobar una zona concreta sin configurar herramientas geoespaciales en local.

Qué no hay que confundir

Estos 28 polígonos no pueden presentarse como 28 edificios nuevos. La resolución de Sentinel-2 es de 10 metros en los canales principales, y un solo contorno puede incluir una carretera, suelo desnudo y varios objetos. Además, la intersección estricta de umbrales parte las obras reales en fragmentos y pasa por alto la construcción dentro de territorio ya urbanizado. De los 28 candidatos, solo se revisaron manualmente los seis mayores; la exhaustividad del método aún no se ha medido en absoluto.

El sentido práctico es otro. Los modelos abiertos ya entrenados y un agente de IA pueden convertir 455 km² de imágenes en una cola breve para el analista, sin enviar los datos originales a un servicio externo de IA. Pero antes de un uso en producción hacen falta una muestra de control etiquetada, una evaluación de precisión y exhaustividad, el control de versiones de los umbrales y la revisión manual. Es un buen flujo de preselección, no un catastro automático ni una prueba de que haya aparecido un edificio.