.jpg)
El desplegament massiu de constel·lacions satel·litàries ha convertit la reconstrucció tridimensional a partir d'imatges multivista en un pilar de l'observació terrestre. Els models digitals de superfície (DSM) generats des de l'espai són essencials per a aplicacions que van des de la planificació urbana fins a la monitorització d'infraestructures crítiques. Tanmateix, la majoria dels models d'aprenentatge profund dissenyats per a visió 3D assumeixen una geometria de perspectiva central —la pròpia de les càmeres convencionals—, mentre que els satèl·lits d'observació empren sensors pushbroom, la cinemàtica orbital dels quals imposa una geometria radicalment diferent. Aquesta discrepància estructural, agreujada per l'heterogeneïtat de les preses (diferents angles, condicions d'il·luminació i resolucions), limita la precisió de les reconstruccions obtingudes amb enfocaments genèrics.
Davant d'aquest repte, el marc EO-VGGT proposa una estratègia innovadora: prendre un model 3D preentrenat basat en perspectiva i, en lloc de reentrenar-lo des de zero, adaptar-lo al context orbital mitjançant la injecció d'informació física explícita. La solució s'articula en tres components diferenciats. Primer, un mecanisme de selecció de vistes (GCCS) equilibra diversitat geomètrica i consistència radiomètrica, descartant observacions subòptimes per optimitzar la seqüència d'entrada. Segon, un codificador de raigs de sensor (SRE) parametritza les línies de visió pushbroom —derivades del model de funció racional (RFM)— en tokens geomètrics d'alta dimensió, establint un pont matemàtic entre la projecció central i la cinemàtica orbital. Tercer, un adaptador lleuger (RPAA) empra blocs residuals amb portes d'activació per incorporar aquests tokens directament a l'arquitectura transformer congelada, sense alterar els seus pesos originals.
Els resultats experimentals demostren que la integració de geometria física explícita, juntament amb una selecció òptima de vistes, és clau per aconseguir una reconstrucció 3D satel·litària robusta i eficient. Aquest enfocament no només millora la precisió dels models generats, sinó que també obre la porta a sistemes operatius que processin grans volums d'imatges orbitals en temps real. En l'àmbit empresarial, la implantació de tecnologies com EO-VGGT requereix companyies amb experiència en el desenvolupament de solucions d'intel·ligència artificial capaces de personalitzar i escalar aquests models. Q2BSTUDIO ofereix aplicacions a mida que integren agents IA per automatitzar fluxos de treball geoespacials, alhora que proporciona serveis cloud AWS i Azure per al processament distribuït de petabytes de dades satel·litàries. A més, la ciberseguretat esdevé crítica en gestionar informació sensible d'infraestructures, i els serveis d'intel·ligència de negoci amb Power BI permeten visualitzar els DSM generats i les mètriques derivades, facilitant la presa de decisions.
En definitiva, la convergència entre física orbital i aprenentatge automàtic està redefinint l'observació de la Terra. EO-VGGT representa un pas ferm cap a models 3D satel·litaris que combinen la potència de les arquitectures preentrenades amb el rigor de les lleis geomètriques que regeixen l'espai. Per a les organitzacions que desitgen aprofitar aquesta tecnologia, comptar amb un soci tecnològic que ofereixi programari a mida, plataformes cloud i capacitats d'IA és un factor diferencial que accelera la transformació digital del sector geoespacial.
