En los últimos veranos, mientras los incendios forestales arrasaban miles de hectáreas en el Mediterráneo y las sequías amenazaban cultivos en amplias zonas del planeta, una pregunta flotaba en el aire: ¿realmente estamos viendo lo suficiente desde el espacio para entender lo que le ocurre a la Tierra? Aunque la observación satelital se ha convertido en una herramienta clave para estudiar nuestro entorno, los modelos tradicionales todavía tienen limitaciones a la hora de analizar fenómenos complejos en tiempo real. Lo que vemos no siempre basta para comprender.
En este contexto, IBM y la Agencia Espacial Europea (ESA) han dado un paso sorprendente con la creación de TerraMind, un modelo de inteligencia artificial generativa que podría cambiar las reglas del juego. Publicado en código abierto y diseñado específicamente para interpretar datos de observación de la Tierra, TerraMind no solo ve la superficie del planeta, sino que “comprende” sus múltiples capas de información, integrando datos geoespaciales, meteorológicos y ambientales de manera simultánea. Este desarrollo marca un antes y un después en la forma de analizar la salud del planeta y anticipar crisis ambientales.
El nuevo cerebro del planeta
TerraMind es el resultado de una colaboración entre IBM, la ESA, KP Labs, el Centro de Supercomputación de Jülich (JSC) y la Agencia Espacial Alemana (DLR). A diferencia de los modelos anteriores centrados únicamente en imágenes satelitales, TerraMind combina nueve modalidades distintas de datos, como uso del suelo, condiciones climáticas, vegetación y actividad humana. Esto le permite generar predicciones con una precisión sin precedentes y detectar patrones invisibles para otros modelos.
Tal como explica Juan Bernabé-Moreno, director de IBM Research para Reino Unido e Irlanda: “Lo que realmente distingue a TerraMind es su capacidad para ir más allá del procesamiento de imágenes satelitales con algoritmos de visión artificial”. Según una evaluación realizada por la ESA, TerraMind superó en un 8% a otros doce modelos en tareas como clasificación del terreno, detección de cambios y monitoreo ambiental.
Una IA generativa que piensa en múltiples dimensiones
Una de las innovaciones más destacadas de TerraMind es su capacidad de “autoajustarse”. Utiliza una técnica llamada Thinking-in-Modalities (TiM), que le permite generar nuevos datos a partir de combinaciones de modalidades ya existentes. Por ejemplo, si analiza una zona con escasez hídrica, puede deducir información relevante sobre el uso del suelo o la vegetación circundante, incluso cuando esos datos faltan.
“Este enfoque mejora el rendimiento del modelo más allá del ajuste fino tradicional”, asegura Johannes Jakubik, científico de IBM Research. Este tipo de razonamiento algorítmico es similar a cómo los humanos usamos diferentes fuentes de información para inferir conclusiones cuando los datos son escasos o contradictorios.
Un modelo ligero con gran impacto
Aunque su arquitectura está basada en transformadores —una técnica común en IA avanzada—, TerraMind ha sido optimizado para ser diez veces más eficiente que los modelos convencionales. Esto permite implementarlo a gran escala sin requerir superordenadores, reduciendo además el consumo energético en el proceso de inferencia. Se trata de un detalle clave en un mundo que busca soluciones sostenibles incluso dentro de la propia tecnología.
El modelo fue entrenado con 500.000 millones de tokens en un dataset denominado TerraMesh, que es el mayor conjunto de datos geoespaciales conocido hasta la fecha. Incluye nueve millones de muestras distribuidas globalmente y abarca todos los biomas del planeta. Gracias a su diseño, TerraMind es aplicable a contextos muy diversos, desde Europa hasta África o América Latina, sin sesgos significativos en los resultados.
Predicción de sequías y vigilancia ambiental
Uno de los campos donde TerraMind puede marcar una diferencia tangible es la gestión del agua. Antes, para predecir una sequía era necesario consultar múltiples bases de datos, desde el uso del suelo hasta variables meteorológicas. Ahora, todo eso se puede integrar de forma automatizada, generando alertas tempranas y escenarios de riesgo.
Según Simonetta Cheli, directora de programas de observación de la ESA, “la capacidad del modelo para generar escenarios nunca antes vistos es un paso fundamental para desbloquear el valor de los datos de la ESA”. Esto no solo es útil para la investigación científica, sino también para instituciones públicas, empresas agrícolas o agencias de gestión de riesgos.
Una herramienta abierta para la comunidad científica
TerraMind está disponible públicamente en la plataforma HuggingFace, lo que facilita su uso por parte de investigadores, universidades y desarrolladores de todo el mundo. También se incorporará próximamente al repositorio IBM Granite, donde se publicarán versiones adaptadas para tareas como respuesta ante catástrofes.
Este carácter abierto contrasta con la tradición de modelos cerrados en el ámbito espacial. La decisión de liberar TerraMind responde a un interés por acelerar el progreso científico y facilitar la cooperación internacional en temas críticos como el cambio climático.
¿Qué es FAST-EO?
FAST-EO (cuyo nombre completo es Fostering Advancements in Foundation Models via Unsupervised and Self-supervised Learning for Earth Observation) es un proyecto europeo de investigación financiado por la Agencia Espacial Europea (ESA). Su objetivo principal es desarrollar modelos fundacionales de inteligencia artificial específicos para la observación de la Tierra, usando técnicas modernas de aprendizaje no supervisado y auto-supervisado.
Es decir, quieren crear modelos de IA capaces de aprender de grandes volúmenes de datos satelitales sin necesidad de etiquetarlos previamente, como sí ocurre en los enfoques clásicos. Esto permite:
- Escalar el aprendizaje a enormes conjuntos de datos geoespaciales.
- Capturar patrones complejos de forma más generalizable.
- Reducir el coste y tiempo de etiquetado manual.
Del espacio a la Tierra: hacia una observación más inteligente
La observación satelital siempre ha sido una ventana al planeta. Pero hasta ahora, esa ventana estaba dividida en secciones: un visor para la vegetación, otro para la temperatura, otro para el uso del suelo. TerraMind cambia eso, ofreciendo una visión integrada e inteligente del estado del planeta.
Expertos de la NASA también participaron en su validación, dentro de la iniciativa Open Science, lo que refuerza su credibilidad en el entorno académico. Además, IBM ha anunciado que modelos como TerraMind se utilizarán para vigilar biodiversidad, urbanización y desastres naturales, convirtiéndose en un recurso clave para gobiernos y organizaciones ambientales.
Referencias
- IBM, ESA, KP Labs, Jülich Supercomputing Center (JSC), DLR. IBM y la ESA lanzan TerraMind, el modelo de IA generativa de código abierto más eficaz para la observación de la Tierra. Documento interno, 2024.
- Marimo, C., Blumenstiel, B., Nitsche, M., Jakubik, J., Brunschwiler, T. (2025). Beyond the Visible: Multispectral Vision-Language Learning for Earth Observation. arXiv:2503.15969v1. https://doi.org/10.48550/arXiv.2503.15969
- Nalepa, J., Tulczyjew, L., Le Saux, B., Longépé, N., Ruszczak, B., Wijata, A.M., et al. (2024). Estimating Soil Parameters From Hyperspectral Images: A benchmark dataset and the outcome of the HYPERVIEW challenge. IEEE GEOSCIENCE AND REMOTE SENSING MAGAZINE, 12(3), 35–63. https://doi.org/10.1109/MGRS.2024.3394040
