Por Angie Hong
Fotografías: Instituto Avanzado de Ciencia y Tecnología de Corea

Un equipo de investigadores del Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST, por sus siglas en inglés) ha desarrollado un modelo de inteligencia artificial (IA) especializado en la generación, restauración y conversión de imágenes satelitales.

Bautizada como "GeoCore-9B", esta herramienta es capaz de reconstruir con nitidez imágenes satelitales de observación terrestre cubiertas por nubes, así como de transformar complejas señales de radar en fotografías convencionales, lo que facilitará el monitoreo del cambio climático y la respuesta inmediata ante emergencias como incendios forestales e inundaciones.

Los satélites ópticos convencionales, que operan con luz visible, presentan el inconveniente de no poder captar la superficie terrestre de noche o en condiciones de nubosidad. En contraparte, los radares de apertura sintética (SAR), que emiten señales de radio para escanear el terreno, funcionan las 24 horas y bajo cualquier clima; sin embargo, entregan imágenes con patrones técnicos difíciles de interpretar a simple vista.

Para superar este dilema, el equipo optó por no modificar modelos generativos convencionales de fotografía y prefirió entrenar uno desde cero, enfocado exclusivamente en datos de observación terrestre. Como resultado, crearon un "modelo fundacional" dotado de aproximadamente 9.000 millones de parámetros, sustentado en el aprendizaje de 10 millones de pares de imágenes satelitales globales y sus correspondientes descripciones textuales.

El estudio fue liderado por el profesor Kim Munchurl, del Departamento de Ingeniería Eléctrica y Electrónica del KAIST, junto con el doctor Do Jeonghyeok como primer autor. La investigación, cuyos hallazgos fueron aceptados en NeurIPS 2026 —la conferencia de inteligencia artificial más prestigiosa del mundo—, se dio a conocer inicialmente el 3 de agosto como artículo preliminar en el repositorio científico arXiv.

En particular, el modelo no solo analiza los objetos dentro de la imagen, sino que integra de manera precisa las coordenadas geográficas (latitud y longitud), la distancia de muestreo terrestre (GSD) —que refleja la escala real en tierra por píxel— y la estructura del terreno, tales como redes viales y límites agrícolas, reduciendo al mínimo cualquier distorsión topográfica.

En las evaluaciones de rendimiento con datos satelitales públicos, "GeoCore-9B" superó a los modelos especializados existentes en calidad de restauración y precisión, tanto en pruebas de eliminación de nubosidad como en la conversión de imágenes de radar SAR a representaciones ópticas. Asimismo, incorporó la técnica de adaptación de bajo rango (LoRA), un método de optimización eficiente que ajusta únicamente un número reducido de parámetros sin necesidad de reentrenar el modelo a gran escala.

El profesor Kim expresó: "Al entrenar la IA con la ubicación geográfica y las dimensiones reales del terreno, logramos que un único modelo gestione con flexibilidad diversas tareas, desde la remoción de nubes hasta la conversión de imágenes".

"Esto permitirá una observación continua y sin puntos ciegos, incluso ante inclemencias meteorológicas o en horarios nocturnos, aportando de forma decisiva a la respuesta rápida ante emergencias, el monitoreo ambiental y la vigilancia de defensa nacional", destacó.

shong9412@korea.kr