Los avances en tecnologías de aprendizaje automático han encontrado un terreno fértil en los satélites pequeños, extendiendo la potencialidad de estas plataformas al abaratar sus costos de desarrollo y operaciones. Un ejemplo claro es la implementación de codificadores automáticos convolucionales (CAE) para la compresión de datos y la detección de anomalías en satélites de baja órbita. Estos desarrollos permiten una inigualable eficiencia en la transmisión de datos y en el monitoreo de desastres naturales.
El estudio liderado por Dishanand Jayeprokash y Julia Gonski a través de las universidades African Institute for Mathematical Sciences y SLAC National Accelerator Laboratory, presenta innovaciones relevantes en el uso de satélites pequeños para observaciones terrestres, demostrando la capacidad de los CAEs al detectar anomalías como tormentas de polvo del Sahara en imágenes aéreas. Utilizando datasets de la misión Sentinel-2, se logró comprimir imágenes con apariencia intacta en una representación de menor dimensión, reduciendo así la cantidad de datos a transmitir a la Tierra y mejorando la eficiencia del sistema.
El sistema propuesto utiliza datos de Dakar, Senegal, para desarrollar modelos CAE que identifican eventos anómalos. A través de pruebas con imágenes reales y sintéticas, como defectos de cámara, el algoritmo demostró capacidades superiores en la identificación y clasificación de anomalías. Estas innovaciones son un paso clave para la construcción de satélites autónomos y eficientes en cuanto a costos y procesamiento de información en tiempo real en entornos operacionales limitados.
Con la compresión de datos alcanzada, los satélites pequeños podrían reformar la forma en que se ejecutan las misiones de observación terrestre, utilizando IA para obtener información útil de manera más rápida y directa. Además, proporcionan una plataforma accesible y económica para que África despliegue y crezca en el ámbito de la tecnología espacial, integrando técnicas de aprendizaje profundo que faciliten la toma de decisiones estratégicas en desastres meteorológicos y ambientales.
Este recurso, al reducir la cobertura de pixeles en imágenes y evaluando con alta precisión los efectos de las tormentas de polvo, potencialmente puede mejorar respuesta ante desastres y estrategias de mitigación de sus impactos en comunidades vulnerables. El trabajo resalta cómo tecnologías emergentes pueden apoyar no sólo investigaciones científicas sino también el desarrollo económico y social.