Los mejores satélites comerciales capturan 30 cm por píxel. Los modelos de IA que impulsan robots y AR necesitan un detalle 10 veces más fino que eso.
Yuichiro Chino / Getty Images
Google $GOOGL Earth parece lo suficientemente detallado como para contar los coches en un estacionamiento. Eso hace natural preguntarse por qué las empresas que desarrollan IA para robots, vehículos autónomos y realidad aumentada no pueden simplemente usar imágenes satelitales para entrenar sus modelos.
La respuesta se reduce a un concepto técnico llamado distancia de muestra en el suelo, que mide la distancia física que representa cada píxel en una imagen. Spexi, una empresa que trabaja en el problema, ofrece imágenes de drones con una resolución de 2.8 centímetros por píxel. Los mejores satélites comerciales ofrecen aproximadamente 30 centímetros de resolución. Esa brecha de un factor de diez es la diferencia entre ver una grieta en la acera y ver una mancha gris.
El techo de resolución para las imágenes satelitales comerciales ha sido moldeado tanto por la regulación como por la óptica. NOAA, la agencia reguladora de EE. UU. que supervisa la teledetección comercial, limitó durante mucho tiempo la resolución de las imágenes satelitales disponibles comercialmente: el límite federal se relajó de 50 centímetros a 25 centímetros en 2014.
Los satélites comerciales de más alta resolución en órbita reflejan esa historia. WorldView-3 de Maxar recoge imágenes pancromáticas de 31 centímetros. La constelación SkySat de Planet Labs captura imágenes de hasta 50 centímetros por píxel. La constelación de monitoreo diario PlanetScope de Planet, que captura imágenes de toda la superficie terrestre todos los días, opera a una resolución de aproximadamente tres metros por píxel.
En marzo de 2025, Albedo Space lanzó Clarity-1, un satélite diseñado para una órbita terrestre muy baja. La empresa tiene una licencia de NOAA para adquirir imágenes comerciales con resoluciones de 10 cm pancromático y 40 cm multiespectral. Clarity-1 demostró la viabilidad de las operaciones sostenidas en VLEO, pero no entregó imágenes comerciales a escala, sirviendo más como un explorador que como un sistema de producción. Aun así, el objetivo de resolución, si se logra a escala por los futuros satélites de la constelación, reduciría significativamente la brecha con los datos aéreos. Pero incluso 10 cm por píxel sigue siendo aproximadamente cuatro veces más grueso que lo que producen los vuelos estandarizados de drones.
Para el entrenamiento de IA, la consistencia importa tanto como la claridad. Un modelo de IA entrenado con imágenes capturadas por diferentes sensores, a diferentes altitudes, bajo diferentes condiciones de iluminación y con diferentes distorsiones geométricas aprenderá esas inconsistencias como características del mundo en lugar de artefactos de recolección de datos. Cada variación introduce un cambio de dominio donde las propiedades estadísticas de los datos de entrenamiento difieren de los datos de inferencia, creando desafíos de fiabilidad.
La sensibilidad de un modelo a la distancia de muestra de tierra representa una de las barreras técnicas más significativas en la IA geoespacial, según una investigación publicada por Kili Technology. Un modelo entrenado con imágenes de 30 cm y desplegado en imágenes de 3 cm enfrenta un cambio de diez veces en lo que representa cada píxel. Los objetos que ocupaban un solo píxel en los datos de entrenamiento ahora abarcan cien píxeles. El modelo no tiene un marco para interpretar esa diferencia.
Dada la naturaleza específica de los datos geoespaciales, estandarizar y ajustar los datos es esencial para producir modelos GeoAI precisos: los datos deben ser fiables, normalizados y uniformes en formato y estructura, según un revisión completa de GeoAI publicada en arXiv. Las imágenes satelitales recopiladas de diferentes proveedores, en diferentes momentos, con diferentes sensores violan esos requisitos. Las encuestas aéreas tradicionales presentan problemas similares: los datos provienen de varios contratistas que utilizan diferentes equipos bajo diferentes condiciones.
Este es el contexto para el cambio más amplio en los datos de entrenamiento de IA. La capa de datos que las empresas de inteligencia artificial geoespacial necesitan, que combina alta resolución con métodos de captura estandarizados, no existía. Empresas como Spexi están tratando de construirla desplegando una red de más de 10,000 pilotos de drones que realizan misiones a una altitud de 80 metros con equipos uniformes y planes de vuelo automatizados. Los ortomosaicos de la empresa capturan imágenes de distancia de muestra en tierra de 2.8 cm que están completamente calibradas y estandarizadas, y listas para ser ingeridas en las tuberías de modelado, según un anuncio de febrero de 2026 de su socio de distribución, SkyWatch.
La demanda de este nivel de detalle proviene de un conjunto específico de aplicaciones. Los grandes modelos geoespaciales permitirán a las computadoras no solo percibir y comprender los espacios físicos, sino también interactuar con ellos, formando un componente crítico de las gafas AR y campos más allá, incluyendo robótica, creación de contenido y sistemas autónomos, según Niantic.
Niantic Spatial, la empresa de IA geoespacial desprendida del creador de Pokémon Go en mayo de 2025, ha construido su Sistema de Posicionamiento Visual en más de 50 millones de redes neuronales con más de 150 billones de parámetros, lo que permite la operación en más de un millón de ubicaciones. El gran modelo geoespacial de la compañía se construye sobre una base de datos propia de más de 30 mil millones de imágenes posadas. Ese sistema requiere precisión de posicionamiento a nivel de centímetros, el tipo de detalle que la imagen satelital no puede ofrecer.
Los casos de uso hacen que los requisitos de resolución sean concretos. Niantic Spatial puede localizar la ubicación exacta de un usuario en un mapa a unos pocos centímetros utilizando puntos de referencia y edificios dentro del campo de visión de una cámara, según PetaPixel. Un robot de entrega que navega por una acera necesita distinguir entre un bordillo, una maceta y un banco. Una aplicación de AR que superpone objetos digitales en una escena de calle del mundo real necesita una alineación de subcentímetros. Un píxel de satélite de 30 cm representaría los tres objetos como un mismo blob indiferenciado.
Los satélites mantienen claras ventajas. Cuando se trata de área de cobertura, las imágenes satelitales superan con creces a las imágenes de drones, lo que las convierte en la opción preferida para el análisis geográfico a gran escala. Los satélites pueden acceder a todas las ubicaciones geográficas sin importar terrenos extremos o condiciones climáticas. Para rastrear la deforestación, monitorear la salud de los cultivos a través de regiones o observar la expansión urbana a nivel continental, los datos satelitales siguen siendo la herramienta indicada.
Pero las aplicaciones de IA que impulsan la próxima ola de demanda no necesitan ver todo en la Tierra a baja resolución. Necesitan ver entornos específicos con un nivel de detalle que coincida con las tareas que las máquinas realizarán en ellos. Ese es un producto diferente y ninguna cantidad de cobertura satelital puede sustituirlo. La pregunta para el mercado de IA geoespacial es si la captura de drones estandarizada y bajo demanda puede escalar lo suficientemente rápido para satisfacer la demanda.
Únete a más de 500.000 lectores que comienzan su día con Quartz.
Al suscribirte, aceptas nuestros Términos de servicio y Política de privacidad.
