KAIST: una IA restaura vistas satelitales bajo nubes, en preprint

Un satélite observa una ciudad bajo una tapa gris de nubes, y el terreno que hay debajo sencillamente ha desaparecido. Ese es el problema cotidiano que el equipo de KAIST se propuso resolver. Las imágenes ópticas registran la luz solar reflejada en la superficie terrestre, de modo que una nube densa o la oscuridad borran lo que hay debajo. El radar podría ver a través de ambas cosas, pero sus imágenes, construidas a partir de ondas de radio que rebotan en el suelo, difieren tanto en brillo y en patrones de las fotografías corrientes que resultan difíciles de leer.

El equipo de investigación, dirigido por el profesor Munchurl Kim, de la Escuela de Ingeniería Eléctrica de KAIST, creó GeoCore-9B para resolver ambos problemas con un único modelo. Su componente principal de generación de imágenes ajusta unos 9.000 millones de parámetros, los valores internos que se afinan durante el entrenamiento. El modelo se preentrena con un gran volumen de datos satelitales y después se adapta a trabajos específicos, por eso se clasifica como «modelo fundacional», una base sobre la que pueden construirse numerosas aplicaciones. En lugar de tomar prestado un componente diseñado para producir fotos cotidianas, el equipo entrenó un modelo nuevo desde cero con vistas aéreas de terrenos, bosques, puertos y ciudades.

La parte insólita está en los datos de entrenamiento. El equipo utilizó 10 millones de pares formados por imágenes satelitales y descripciones escritas, como un puerto con barcos y almacenes, o una escena rural con un camino que atraviesa campos. También introdujeron en el modelo la latitud, la longitud y la distancia de muestreo en el terreno, es decir, la superficie que cubre un píxel. Los investigadores señalan que una forma por sí sola no permite saber si se trata de un edificio pequeño o de una gran planta industrial, por lo que el modelo debe conocer dónde y a qué escala se tomó la imagen. En un ejemplo, una imagen de 256 píxeles de ancho abarca unos 256 metros con 1 metro por píxel, y unos 8,2 kilómetros con 32 metros por píxel. Una técnica adicional, llamada alineación semántica geoespacial, utiliza durante el entrenamiento características extraídas de una IA especializada en imágenes satelitales para ayudar al modelo a aprender cómo se conectan las carreteras y dónde se sitúan los límites de las parcelas agrícolas; ese auxiliar no se emplea al generar imágenes.

Después, el modelo se ajustó por separado para dos tareas: eliminar nubes y convertir imágenes de radar en vistas parecidas a fotografías. El preprint, publicado en arXiv, presenta estas funciones como capacidades del modelo. Las cifras disponibles para este artículo no incluyen pruebas de rendimiento cuantitativas para ninguna de las dos tareas, y el trabajo no se ha publicado en una revista con revisión por pares. Sus ilustraciones son conceptuales y no muestran una red satelital en funcionamiento.

¿Qué cambia si la propuesta se confirma? Para los equipos de emergencia, una vista sin nubes de un valle inundado o de un bosque en llamas vale mucho, y una imagen de radar que parece una fotografía puede ser leída por personas que no son especialistas en radar. Los autores prevén un uso más amplio de los datos satelitales en la respuesta a desastres y en la vigilancia ambiental. No se ha anunciado ninguna fecha, socio ni producto: por ahora, el avance es una línea de investigación, y necesitará pruebas independientes con datos satelitales reales antes de que nadie pueda confiar en ella.