Remote Sensing Foundation Models: como adaptar a IA a dados de satélite

Um estudo publicado no arXiv como capítulo de revisão examina a aplicação de foundation models à observação da Terra por meio de satélites e sensores aéreos.

O que são os Remote Sensing Foundation Models

Os Remote Sensing Foundation Models (RSFMs) são grandes modelos treinados em acervos de imagens de satélite e aéreas. Ao contrário dos modelos tradicionais de visão computacional, que aprendem com fotos de gatos e rostos, os RSFMs enxergam o planeta: cidades, campos, florestas, nuvens, oceanos.

Um exemplo: você quer prever a safra de trigo em uma região específica. Em vez de criar um modelo do zero para essa única tarefa, você pega um RSFM já treinado em imagens de satélite e o adapta à sua tarefa. O modelo passa a funcionar porque já sabe ler dados de satélite.

Por que um foundation model universal não funciona

O problema é que os dados de satélite são fisicamente diferentes de fotografias comuns.

• Sensores diferentes, comprimentos de onda diferentes (infravermelho, vermelho, azul, onda curta)
• Distorções atmosféricas: nuvens, névoa e aerossóis mudam o que o satélite enxerga
• Baixa resolução espacial (10-100 metros por pixel, nada parecido com a foto de um smartphone)
• Limitações de tempo: o satélite passa sobre um local uma vez a cada alguns dias, então é preciso aproveitar o momento
• Física da medição: a refletância espectral obedece às leis da física, não a padrões arbitrários dos dados de treinamento

Não existe um modelo universal que funcione igualmente bem em todas as tarefas de observação da Terra. Os benchmarks são contraditórios. O modelo A é melhor na previsão agrícola; o modelo B, na classificação de tipos de edifícios. Isso acontece porque cada RSFM foi desenvolvido para o seu próprio conjunto de dados, e a transferência de conhecimento exige ajuste fino.

Exemplos: quando a adaptação é crítica

Previsão de algas nocivas. Uma rede neural aprende a prever surtos de algas tóxicas em lagos e mares. Só as características espectrais não bastam: é preciso considerar uma máscara espectral que indica onde, na imagem, procurar a floração. Isso exige mascaramento informado pela física (physics-informed): o modelo precisa entender não só os padrões, mas também a física de por que as algas aparecem ali.

Escolha de estações de monitoramento. Outra tarefa: onde instalar uma nova estação meteorológica para observar o meio ambiente? Um modelo adaptado, treinado com aprendizado por reforço, consegue escolher locais que fornecem o máximo de informação sobre o clima e o estado da natureza.

O que vem a seguir

A próxima geração de RSFMs deve ser avaliada não só por métricas padrão de precisão (accuracy, F1), mas também por:

• Adaptação específica por modalidade: o modelo deve se 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, e não apenas a padrões nos dados

Isso significa que, no futuro, os RSFMs serão construídos levando em conta não só o aprendizado de máquina, mas também o domínio: física, astronomia, climatologia.

O que isso significa

Em domínios complexos e especializados (observação da Terra, medicina, simulações científicas), os foundation models não são uma panaceia. Um modelo grande treinado com bilhões de parâmetros não basta. É preciso adaptá-lo à física da tarefa, às particularidades dos dados e às limitações reais. O próximo passo da IA não é apenas mais parâmetros, mas mais sentido físico.