Modelos de Fundação de Sensoriamento Remoto: Como adaptar IA para dados de satélite

Uma pesquisa publicada no arXiv como capítulo de revisão examina a aplicação de modelos fundamentais à observação da Terra por meio de satélites e sensores aéreos.

O que são Modelos Fundamentais de Sensoriamento Remoto

Os Modelos Fundamentais de Sensoriamento Remoto (RSFM) são modelos grandes treinados em arquivos de imagens de satélites e aéreas. Diferentemente dos modelos tradicionais de visão computacional, que aprendem com fotos de gatos e rostos, RSFM veem o planeta: cidades, campos, florestas, nuvens, oceanos.

Exemplo: você quer prever o rendimento do trigo em uma região específica. Em vez de escrever um modelo do zero apenas para esta tarefa, você pega um RSFM já treinado em imagens de satélite, o adapta para sua tarefa — e o modelo começa a funcionar, porque já sabe como ler dados de satélite.

Por que um Modelo Fundamental Universal Não Funciona

Aqui está o problema: dados de satélite são fisicamente diferentes de fotos normais.

• Sensores diferentes, comprimentos de onda diferentes (infravermelho, vermelho, azul, onda curta)
• Distorções atmosféricas: nuvens, névoa, aerossóis mudam o que o satélite vê
• Baixa resolução espacial (10-100 metros por pixel, não como fotos de smartphone)
• Limitações de tempo: um satélite sobrevoa um local uma vez a cada poucos dias, você precisa pegar o momento
• Física das medições: a reflectância espectral segue leis físicas, não padrões arbitrários em dados de treinamento

Não existe um único modelo universal que funcione igualmente bem para todas as tarefas de observação da Terra. Os benchmarks são contraditórios. Modelo A é melhor para previsão agrícola, modelo B é melhor para classificação de tipos de edifícios. Isso ocorre porque cada RSFM foi projetado para seu próprio conjunto de dados, e a transferência de conhecimento requer ajuste.

Exemplos: Quando a Adaptação é Crítica

Previsão de algas nocivas. Uma rede neural aprende a prever proliferações de algas tóxicas em lagos e mares. Apenas características espectrais não são suficientes — você precisa levar em conta uma máscara espectral que diga exatamente onde na imagem procurar florações. Isso requer mascaramento informado pela física: o modelo deve entender não apenas padrões, mas a física de por que as algas aparecem lá.

Seleção de estações de monitoramento. Outra tarefa: onde colocar uma nova estação de monitoramento ambiental? Um modelo com adaptação, treinado com aprendizado por reforço, sabe como selecionar locais que forneçam informações máximas sobre o clima e o estado da natureza.

O que vem a seguir

A próxima geração de RSFM deve ser avaliada não apenas por métricas de precisão padrão (acurácia, F1), mas também por:

• Adaptação específica de modalidade: o modelo deve transferir bem para novos tipos de sensores e comprimentos de onda
• Plausibilidade física: as representações na rede neural devem corresponder à física real das medições de satélite, não apenas a padrões de dados

Isso significa que no futuro RSFM serão construídos levando em conta não apenas aprendizado de máquina, mas conhecimento de domínio — física, astronomia, climatologia.

O que isto significa

Em domínios complexos especializados (observação da Terra, medicina, simulações científicas), modelos fundamentais não são uma panaceia. Um modelo grande treinado em bilhões de parâmetros simplesmente não é suficiente. Precisamos de adaptação à física da tarefa, à especificidade dos dados, às limitações reais. O próximo passo em IA não é apenas mais parâmetros, mas mais significado físico.