Una nueva IA

Por Justine Calma, reportera científica que cubre el medio ambiente, el clima y la energía con una década de experiencia. También es la presentadora del podcast Hell or High Water.

Hoy se lanzó un mapa, el primero en su tipo, de proyectos de energía renovable y cobertura de árboles en todo el mundo, que utiliza inteligencia artificial generativa para esencialmente mejorar las imágenes tomadas desde el espacio. Todo es parte de una nueva herramienta llamada Satlas del Instituto Allen para IA, fundado por el cofundador de Microsoft, Paul Allen.

La herramienta, compartida primero con The Verge, utiliza imágenes satelitales de los satélites Sentinel-2 de la Agencia Espacial Europea. Pero esas imágenes aún ofrecen una vista bastante borrosa del suelo. ¿La solución? Una función llamada "Superresolución". Básicamente, utiliza modelos de aprendizaje profundo para completar detalles, como el aspecto de los edificios, para generar imágenes de alta resolución.

Por ahora, Satlas se centra en proyectos de energía renovable y cobertura arbórea en todo el mundo. Los datos se actualizan mensualmente e incluyen partes del planeta monitoreadas por Sentinel-2. Eso incluye la mayor parte del mundo, excepto partes de la Antártida y océanos abiertos alejados de la tierra.

Muestra parques solares y turbinas eólicas terrestres y marinas. También puede utilizarlo para ver cómo ha cambiado la cobertura de la copa de los árboles con el tiempo. Se trata de ideas importantes para los responsables de la formulación de políticas que intentan alcanzar los objetivos climáticos y otros objetivos medioambientales. Pero nunca ha habido una herramienta tan amplia que sea gratuita para el público, según el Instituto Allen.

Esta es también probablemente una de las primeras demostraciones de superresolución en un mapa global, dicen sus desarrolladores. Sin duda, todavía quedan algunos problemas por resolver. Al igual que otros modelos de IA generativa, Satlas todavía es propenso a sufrir "alucinaciones".

"Puedes llamarlo alucinación o falta de precisión, pero dibujaba edificios de maneras divertidas", dice Ani Kembhavi, directora senior de visión por computadora en el Instituto Allen. "Tal vez el edificio es rectangular y el modelo podría pensar que es trapezoidal o algo así".

Esto podría deberse a diferencias en la arquitectura de una región a otra que el modelo no es bueno para predecir. Otra alucinación común es colocar automóviles y embarcaciones en lugares que el modelo cree que deberían estar según las imágenes utilizadas para entrenarlo.

Para desarrollar Satlas, el equipo del Instituto Allen tuvo que revisar manualmente imágenes satelitales para etiquetar 36.000 turbinas eólicas, 7.000 plataformas marinas, 4.000 granjas solares y 3.000 porcentajes de cobertura de árboles. Así es como entrenaron los modelos de aprendizaje profundo para que reconocieran esas características por sí solos. Para lograr una súper resolución, alimentaron a los modelos con muchas imágenes de baja resolución del mismo lugar tomadas en diferentes momentos. El modelo utiliza esas imágenes para predecir detalles de subpíxeles en las imágenes de alta resolución que genera.

El Instituto Allen planea ampliar Satlas para proporcionar otros tipos de mapas, incluido uno que pueda identificar qué tipos de cultivos se plantan en todo el mundo.

"Nuestro objetivo era crear una especie de modelo básico para monitorear nuestro planeta", dice Kembhavi. "Y luego, una vez que construyamos este modelo básico, lo ajustaremos para tareas específicas y luego pondremos estas predicciones de IA a disposición de otros científicos para que puedan estudiar los efectos del cambio climático y otros fenómenos que están sucediendo en la Tierra".

/ Regístrese en Verge Deals para recibir ofertas en productos que hemos probado enviadas a su bandeja de entrada diariamente.