Dotan de inteligencia artificial a un satélite

Los datos recopilados por satélites de teledetección son fundamentales para muchas actividades importantes, incluido el cartografiado desde las alturas, la predicción del tiempo meteorológico y la vigilancia de la deforestación. Actualmente, la mayoría de los satélites solo pueden recolectar datos de forma pasiva, ya que no están equipados para tomar decisiones o para detectar cambios relevantes en lo que observan. Para detectar cambios y tomar decisiones, hay que transmitir los datos a la Tierra para ser procesados allí, lo que suele tardar varias horas o incluso días. Esto limita la capacidad de identificar sucesos que acaecen rápidamente, como un desastre natural, y reaccionar a ellos.

Para superar estas restricciones, un grupo de investigadores, liderado por Vít Růžička de la Universidad de Oxford en el Reino Unido, asumió el desafío de adiestrar al primer programa de aprendizaje automático fuera de la Tierra. El aprendizaje automático es una modalidad de inteligencia artificial.

En 2022, el equipo presentó su idea a los responsables de la misión Dashing through the Stars, que habían publicado una convocatoria para recibir propuestas de proyectos que pudieran llevarse a cabo a bordo del satélite ION SCV004, lanzado en enero de 2022. El proyecto fue seleccionado y, durante el otoño de 2022, el equipo envió el código del programa al satélite en órbita.

Los investigadores entrenaron un modelo simple de aprendizaje automático para que el ION SCV004 fuese capaz de detectar directamente cambios en la cobertura de nubes a partir de imágenes de la Tierra captadas por el satélite.

Ilustración de los datos utilizados para entrenar el modelo de clasificación de nubes diminutas (izquierda) y las predicciones sobre el contenido de nuevas imágenes (derecha). (Imagen: datos del Sentinel-2: ESA; procesamiento: Vít Růžička)

El modelo se basó en una estrategia que permite que este aprenda las características más importantes que debe buscar cuando solo hay unas pocas muestras para el adiestramiento. Una ayuda decisiva es que los datos se pueden comprimir en representaciones más pequeñas, lo que hace que el modelo sea más rápido y eficiente.

Mientras que la primera parte del modelo, para comprimir las imágenes recién vistas, se entrenó en tierra, la segunda parte (que determinaba si la imagen contenía nubes o no) se entrenó directamente en el satélite. (Fuente: NCYT de Amazings)