«Nos llevó unos 20 segundos encontrar el primero en un área indicada por el modelo», «, escribió Jaffer en una publicación de blog que documenta la prueba de campo. Comenzando en el Centro Comunitario de Milton, donde el modelo mostró una alta confianza de las zarzas cerca del estacionamiento, el equipo visitó sistemáticamente lugares con diferentes niveles de predicción.
En Milton Country Park, cada área de alta confianza que verificaban contenía un crecimiento sustancial de zarza. Cuando investigaron un punto de acceso residencial, encontraron una trama vacía invadida con zarzas. Lo más divertido, una predicción importante en North Cambridge los llevó a Bramblefields Reserva natural local. Fiel a su nombre, el área contenía una amplia cobertura de zarza.
Según los informes, el modelo se desempeñó mejor al detectar parches de zarza grandes y descubiertos visibles desde arriba. Las zarzas más pequeñas debajo de la cubierta de los árboles mostraron puntajes de confianza más bajos, una limitación lógica dada la perspectiva superior del satélite. «Dado que Tessera es una representación aprendida a partir de datos de teledetección, tendría sentido que Bramble parcialmente oscurecido desde arriba podría ser más difícil de detectar», explicó Jaffer.
Un experimento temprano
Si bien los investigadores expresaron entusiasmo por los primeros resultados, el trabajo de detección de zarza representa una prueba de concepto que aún está bajo investigación activa. El modelo aún no se ha publicado en una revista revisada por pares, y la validación de campo descrita aquí fue una prueba informal en lugar de un estudio científico. El equipo de Cambridge reconoce estas limitaciones y planes una validación más sistemática.
Sin embargo, sigue siendo una aplicación de investigación relativamente positiva de las técnicas de redes neuronales que nos recuerdan que el campo de la inteligencia artificial es mucho más grande que solo modelos de IA generativos, como ChatGPT o modelos de síntesis de video.
En caso de que se funcione la investigación del equipo, la simplicidad del detector de Bramble ofrece algunas ventajas prácticas. A diferencia de los modelos de aprendizaje profundo más intensivos en recursos, el sistema podría ejecutarse potencialmente en dispositivos móviles, lo que permite la validación de campo en tiempo real. El equipo consideró desarrollar un sistema de aprendizaje activo basado en el teléfono que permitiría a los investigadores de campo mejorar el modelo al tiempo que verifica sus predicciones.
En el futuro, los enfoques similares basados en la IA que combinan la teledetección satelital con los datos de la ciencia ciudadana podrían mapear especies invasivas, rastrear plagas agrícolas o monitorear los cambios en varios ecosistemas. Para las especies amenazadas como los erizos, el mapeo rápidamente de las características críticas del hábitat se vuelve cada vez más valioso durante un momento en que el cambio climático y la urbanización están remodelando activamente los lugares a los que los erizos les gusta llamar hogar.
