Emerging modelos de visión basados en transformadores para datos geoespaciales, conocidos como modelos de fundación geoespacial (GeoFMs), están revolucionando el mapeo de la superficie terrestre a escala continental. Estos modelos proporcionan a los interesados herramientas robustas para detectar y monitorear condiciones ecosistémicas en la superficie, como la degradación forestal, el impacto de desastres naturales y el rendimiento de cultivos, entre otros.
Los GeoFMs, que son una rama de la investigación emergente, son transformadores de visión (ViT) preentrenados y adaptados específicamente a fuentes de datos geoespaciales. Ofrecen un valor inmediato sin necesidad de un proceso de entrenamiento previo, destacando como modelos de incrustación para la búsqueda de similitudes geoespaciales y la detección de cambios en los ecosistemas. Se pueden ajustar fácilmente para tareas personalizadas como la clasificación de superficies terrestres, la segmentación semántica o la regresión a nivel de píxel, requiriendo solo un mínimo de datos etiquetados.
Uno de los modelos más destacados en esta esfera es el modelo de fundación Clay, que puede ser desplegado para inferencia a gran escala y ajuste en Amazon SageMaker. Un caso ilustrativo de su aplicación es la detección de la deforestación en la Amazonía, considerada uno de los ecosistemas más biodiversos del mundo y que enfrenta grave riesgo de degradación. La implementación de GeoFMs permite una detección temprana de estos cambios, con aplicaciones que se extienden a una amplia gama de casos de uso geoespaciales.
Los modelos GeoFM son especialmente útiles para tres aplicaciones clave: la búsqueda de similitudes geoespaciales, la detección de cambios basada en incrustaciones y el aprendizaje automático geoespacial personalizado. Además, su arquitectura es innovadora, integrada con novedades como el tamaño de entrada variable y la adición de incrustaciones posicionales que consideran la estacionalidad y la ubicación en la Tierra.
Al implementar un flujo de trabajo integral, es posible transformar las imágenes satelitales en incrustaciones vectoriales listas para el análisis, realizando un pre-procesamiento que incluye la división de imágenes grandes en chips más pequeños y la normalización de valores de píxeles. La generación y procesamiento de incrustaciones permite la identificación de patrones geoespaciales significativos y la detección de cambios en el uso del suelo a lo largo del tiempo.
El enfoque automatizado de detección de cambios proporciona a los analistas la capacidad de evaluar la intensidad de los cambios en áreas de interés de manera rápida y eficiente. Con la capacidad de adaptar el ajuste fino de los modelos a tareas específicas, como segmentación de uso del suelo o monitoreo de desastres, los GeoFMs están posicionándose como herramientas esenciales para diversas industrias, desde la planificación urbana hasta la conservación ambiental y la respuesta ante desastres.
Con el creciente interés en la aplicación de GeoFMs, la implementación de estos modelos se presenta no solo como un avance tecnológico, sino como una solución necesaria para enfrentar los desafíos ambientales actuales. Las posibilidades que ofrecen abren un nuevo camino para la analítica geoespacial, facilitando un futuro más sostenible y eficiente en la gestión de recursos naturales y la monitorización del cambio ambiental.
vía: AWS machine learning blog
