10 nuevas tendencias tecnológicas transformando la observación de la Tierra y la inteligencia climática

A medida que los desastres relacionados con el clima se vuelven más frecuentes, la necesidad de una inteligencia climática accionable nunca ha sido mayor. Las tecnologías de observación de la Tierra ofrecen conocimientos críticos sobre nuestro entorno en rápido cambio y la dinámica interconectada de los sistemas de la Tierra.

Para 2032, se espera que la observación de la Tierra por satélite genere más de 2 exabytes (2000 millones de gigabytes) de datos acumulados. Históricamente, el volumen y la complejidad de estos datos han impedido traducirlos en soluciones climáticas accionables.

Los grandes volúmenes de datos requieren un procesamiento y un análisis sofisticados para crear información que pueda ser integrada fácilmente en los procesos operativos de toma de decisiones. Para convertir los datos de observación de la Tierra en información climática y meteorológica aún más útil, es esencial un tratamiento y análisis de datos eficiente y eficaz.

Los avances en satélites, inteligencia artificial (IA) y otras tecnologías sinérgicas están ayudando a que los datos de observación de la Tierra sean más accesibles e tengan más impacto que nunca. Un nuevo informe publicado por el Foro Económico Mundial y el MIT Media Lab, Charting the Future of Earth Observation: Technology Innovation for Climate Intelligence (Trazando el Futuro de la Observación de la Tierra: Innovación Tecnológica para la Inteligencia Climática), examina 10 tendencias tecnológicas clave en la observación de la Tierra que permitirán obtener información climática sin precedentes.

Los recientes avances en los sensores de observación de la Tierra por satélite están proporcionando una mejor cobertura global, resolución y precisión, y una gama más amplia de mediciones observables.

Los satélites equipados para captar imágenes "superespectrales" pueden recoger datos más detallados y precisos, con una resolución temporal, espacial y espectral dos o tres veces superior a la de las imágenes multiespectrales actuales. Estas resoluciones espectrales mejoradas pueden detectar diferencias en la salud de las plantas y mostrar la gravedad de las quemaduras provocadas por incendios forestales, lo que permite una gestión más precisa del agua y una mejor recuperación tras desastres.

Los sofisticados algoritmos de IA y aprendizaje automático (ML, del inglés machine learning) están acelerando el procesamiento y análisis de los datos de observación de la Tierra. Por ejemplo, los modelos basados en ML entrenados a partir de datos existentes pueden generar estimaciones hasta 1000 veces más rápido que los modelos climáticos tradicionales. Esto reduce el tiempo necesario para generar modelos de previsión meteorológica, como los mapas de inundaciones, hasta en un 80%.

Esto también permite realizar evaluaciones detalladas post desastres en horas o minutos después de eventos relacionados con el clima, como huracanes o inundaciones, mientras que los modelos tradicionales o las inspecciones in situ pueden tomar semanas. La velocidad y precisión sin precedentes que ofrece la eficiencia computacional de los modelos de IA utilizados con datos de observación de la Tierra es crucial para la toma de decisiones oportuna.

La computación de borde satelital procesa los datos de observación de la Tierra directamente en órbita en el satélite. Esto reduce el tiempo que se tarda en pasar de la recopilación de datos a los conocimientos prácticos. La tecnología reduce la latencia y la necesidad de descarga de datos, permitiendo una transmisión más rápida de información crítica a los equipos de respuesta a emergencias en escenarios de desastre.

La miniaturización de los sensores, así como la reducción de los costos de fabricación y lanzamiento, han permitido a más naciones fabricar y lanzar sus propios satélites de observación de la Tierra. Esto aumenta los datos de observación de la Tierra disponibles públicamente.

Los avances en microelectrónica y tecnologías de semiconductores han integrado una mayor capacidad de procesamiento en chips más pequeños. Esto facilita el análisis de los datos por el propio hardware del sensor, en lugar de depender de equipos pesados que consumen mucha energía.

Junto a la miniaturización, existe actualmente una tendencia paralela a satélites de mayor tamaño equipados con sensores avanzados y capacidades mejoradas de transmisión de datos. Estas plataformas más grandes son más confiables, pueden proporcionar más recursos y pueden alojar instrumentos más grandes y complejos.

Los modelos tradicionales del sistema terrestre utilizan complejas simulaciones numéricas para ayudarnos a comprender la dinámica del clima y predecir escenarios climáticos futuros. A menudo son computacionalmente intensivos, consumiendo hasta 10 megavatios hora de energía para simular un siglo de actividad climática - aproximadamente equivalente a alimentar una casa durante un año.

En contraste, los modelos climáticos que integran ML informado por la física tienen la capacidad de procesar enormes conjuntos de datos a escala de petabytes para ofrecer pronósticos meteorológicos y climáticos precisos y rápidos. Estos modelos basados en ML son particularmente efectivos para estudios localizados, ofreciendo pronósticos de alta resolución a costos computacionales significativamente más bajos, con estudios que muestran hasta 100 veces más eficiencia energética.

Esta tecnología está diseñada para detectar patrones de alto nivel a partir de grandes cantidades de datos de observación de la Tierra por satélite. Entrenados con muchos conjuntos de datos diferentes de forma autosupervisada, los modelos de IA geoespacial pueden utilizarse para una amplia gama de aplicaciones y son altamente efectivos para crear modelos precisos de patrones globales.

Los gemelos digitales son réplicas digitales dinámicas de sistemas terrestres como el clima, los océanos y los ecosistemas. Permiten a los usuarios comprender, predecir e investigar mejor fenómenos complejos del sistema terrestre.

La tecnología de gemelo digital permite a los usuarios analizar diversos escenarios climáticos hipotéticos. Pueden visualizar y probar los posibles impactos de diferentes estrategias relacionadas con el clima.

Las plataformas de realidad aumentada (RA) y realidad virtual (RV) ofrecen a los usuarios una experiencia inmersiva. Estas plataformas intuitivas están transformando la forma en que las diversas partes interesadas acceden y comprenden los datos de observación de la Tierra y están fomentando la alfabetización de datos a través del aprendizaje interactivo.

Al organizar los datos de observación de la Tierra en varias dimensiones (cuadrículas espaciales, temporales y variables), los cubos de datos permiten a los usuarios extraer información útil y realizar análisis complejos del medio ambiente de la Tierra y sus cambios a diferentes escalas y niveles de detalle.

Los datos procedentes de diversas fuentes de observación de la Tierra se estandarizan con una resolución uniforme y características compartidas, lo que simplifica su uso para los cálculos sin necesidad de transformación adicional. Este enfoque es especialmente útil cuando se necesita un acceso rápido a datos listos para el análisis.

Los avances en las tecnologías utilizadas junto con los datos de observación de la Tierra por satélite nos ayudarán a ser más proactivos en la prevención de los efectos del cambio climático. Los principales proveedores, usuarios y expertos en datos de observación de la Tierra colaboran con el Foro Económico Mundial para investigar formas de aprovechar el potencial transformador de la observación de la Tierra para abordar los desafíos climáticos y ambientales.

Estas tecnologías no se limitan a mejorar los datos, sino que dan acceso a información climática crítica, que permite a las comunidades, las empresas y los responsables políticos aumentar su capacidad de resiliencia frente al cambio climático. A medida que estas tecnologías continúen evolucionando, nos permitirán dar forma profunda a cómo monitoreamos y respondemos al cambio climático.