Detectar los daños provocados por un terremoto puede marcar la diferencia entre salvar vidas o perderlas. Cada minuto cuenta, y el tiempo que se tarda en conocer el estado real de las zonas afectadas influye directamente en la eficacia de los equipos de rescate. Por eso, la Agencia Espacial Europea (ESA), junto con el International Charter ‘Space and Major Disasters’, lanzó un desafío con un objetivo muy claro: comprobar hasta qué punto la inteligencia artificial aplicada a imágenes satelitales puede ayudar a automatizar la detección de daños tras un terremoto.
En este contexto, cuatro equipos internacionales han sido reconocidos por sus destacados resultados: TelePIX (Corea del Sur), Datalayer (Bélgica), DisasterM3 (Japón) y Thales Services Numériques (Francia). Cada uno aportó una perspectiva técnica distinta, pero con un fin común: convertir grandes volúmenes de datos satelitales en mapas de daños de alta fiabilidad y en tiempo récord.
Una competencia exigente con datos de alta resolución
La competencia, conocida como AI for Earthquake Response Challenge, formó parte de las iniciativas del ESA Φ-lab, y reunió a 143 participantes de 40 países. La tarea principal era entrenar modelos de IA para que distinguieran entre edificios dañados y no dañados, usando uno de los conjuntos de datos más grandes hasta la fecha: más de 200 imágenes de alta resolución de cinco terremotos distintos, distribuidas en 13 zonas geográficas.
Se trataba de imágenes recopiladas desde una constelación virtual de satélites que incluye misiones como Pleiades (CNES/Airbus), WorldView y GeoEye (USGS/Maxar), KOMPSAT-3 (KARI), BlackSky y Gaofen-2 (CNSA), lo que dotó al conjunto de una diversidad sin precedentes. En total, se manejaron 475 GB de datos.
Un ejemplo claro del nivel de dificultad se vio en Mandalay, Myanmar, uno de los lugares de prueba. Allí, solo el 0,2% de casi medio millón de edificios estaban realmente dañados, lo que obligó a los modelos a operar en un escenario de desequilibrio extremo, donde la mayoría de los datos no representaban el fenómeno que se quería detectar.
De los laboratorios a la respuesta en terreno
El objetivo final de esta iniciativa no era solo premiar modelos precisos, sino también valorar su viabilidad para integrarse en flujos operativos reales de respuesta ante desastres. Según explicó Philippe Bally, representante de ESA en el Charter, este tipo de herramientas podría ayudar a que los equipos de emergencia prioricen zonas críticas con más rapidez.
Esto es clave si se considera el trabajo del Charter, una red de 17 agencias espaciales que desde 1999 ofrece acceso gratuito a imágenes satelitales para responder a catástrofes naturales. Bajo un sistema rotativo de liderazgo cada seis meses, ahora es CNES (agencia espacial francesa) quien coordina las actividades, incluyendo la fase de evaluación posterior al desafío, para estudiar cómo implementar estos modelos en escenarios reales.
Innovación en medio de la emergencia
Cada uno de los equipos ganadores aportó soluciones técnicas que destacan por su nivel de especialización. El equipo belga Datalayer, por ejemplo, utilizó flujos de trabajo en la nube escalables para procesar el gran volumen de información, algo fundamental cuando el tiempo apremia. Por su parte, los franceses de Thales aplicaron técnicas de IA confiable, propias del sector aeroespacial, para identificar daños estructurales con gran precisión.
Detrás del telón, entidades como el Luxembourg Institute of Science and Technology y la empresa francesa ACRI-ST se encargaron de validar la calidad y relevancia de los datos, mientras que la firma italiana Terradue, desarrolladora del ESA Charter Mapper, garantizó que todos los equipos tuvieran acceso equitativo a los recursos mediante el Earth Observation Training Data Lab.
Cooperación internacional con impacto real
Uno de los aspectos más relevantes de esta experiencia es que va más allá de lo técnico. El desafío ha sido también una muestra de cooperación internacional en tiempos de crisis, demostrando que ni los desastres naturales ni las soluciones tecnológicas entienden de fronteras. Cada equipo trabajó con datos compartidos en igualdad de condiciones, simulando un escenario de emergencia global donde lo importante no es quién lidera, sino qué tan rápido y eficaz se puede responder.
Este enfoque colaborativo refuerza la idea de que la IA no reemplaza el trabajo humano en las emergencias, sino que lo complementa y acelera, permitiendo tomar decisiones informadas con base en evidencias obtenidas desde el espacio en cuestión de horas.