Un satellite sorvola una città, ma nelle immagini che invia a Terra, di strade, edifici e piazze non c’è traccia. A nasconderli è uno spesso strato di nuvole. Una situazione tutt’altro che rara e particolarmente problematica quando le immagini servono a monitorare un’alluvione, un incendio o i cambiamenti del territorio.
Ma se potessimo cancellare quelle nuvole e scoprire che cosa si nasconde sotto?
È quello che prova a fare GeoCore-9B, un nuovo modello di intelligenza artificiale sviluppato da Jeonghyeok Do e Munchurl Kim, ricercatori del Korea Advanced Institute of Science and Technology (Kaist), in Corea del Sud. Il sistema è in grado di ricostruire le porzioni di superficie terrestre nascoste dalle nuvole, generando immagini che assomigliano a vere fotografie. Con una differenza importante: non sta osservando quello che si trova al di sotto, ma ricostruendo come potrebbe apparire.
Per riuscirci, GeoCore-9B ha dovuto imparare a conoscere la Terra, e le sue lezioni di geografia sono state piuttosto impegnative. Il modello, infatti, possiede circa nove miliardi di parametri, valori numerici che vengono modificati durante l’addestramento e determinano il modo in cui l’intelligenza artificiale elabora le informazioni e genera nuove immagini. A differenza di molti altri sistemi, inizialmente addestrati sulle fotografie comuni e soltanto in seguito adattati alle osservazioni satellitari, GeoCore-9B ha studiato fin dall’inizio la Terra vista dallo spazio. Il suo materiale di studio? Dieci milioni di coppie formate da immagini satellitari e descrizioni testuali, provenienti da diverse regioni del mondo. Un porto con navi e magazzini, una strada che attraversa i campi, un quartiere residenziale: osservando questi esempi, il modello ha imparato a riconoscere e riprodurre le caratteristiche di paesaggi naturali e ambienti urbani. Ma guardare la Terra dall’alto non è proprio come sfogliare un album fotografico. Oggetti molto diversi possono apparire simili, soprattutto quando cambia la scala dell’osservazione. Una struttura che occupa pochi pixel, per esempio, potrebbe essere un edificio oppure un complesso molto più grande, a seconda delle dimensioni del territorio rappresentato nell’immagine. Per questo i ricercatori hanno fornito a GeoCore-9B anche informazioni geografiche: latitudine, longitudine e risoluzione spaziale delle immagini, ovvero le dimensioni della superficie terrestre corrispondenti a ciascun pixel. In questo modo il modello può tenere conto non soltanto dell’aspetto di un paesaggio, ma anche della sua posizione e delle sue proporzioni.
Un esempio di rimozione delle nuvole da immagini satellitari: dalla scena osservata alle ricostruzioni ottenute con UnCRtainTS, DiffCR e GeoCore-9B, fino all’immagine reale acquisita in un altro giorno, senza copertura nuvolosa. Crediti: Jeonghyeok Do e Munchurl Kim, 2026.
Una volta completato l’addestramento, GeoCore-9B è stato messo alla prova su due compiti. Il primo consiste nel rimuovere le nuvole dalle immagini satellitari, ricostruendo le parti di territorio che non si riescono a osservare. Il secondo riguarda invece le immagini radar. A differenza dei sensori ottici, che registrano la luce solare riflessa dalla superficie terrestre, i radar utilizzano onde radio e possono osservare il terreno anche di notte e attraverso le nuvole. Le immagini che producono, però, sono molto diverse dalle fotografie a cui siamo abituati: non mostrano direttamente i colori del paesaggio, ma rappresentano il segnale radar riflesso dalla superficie. GeoCore-9B riesce a trasformarle in immagini che assomigliano a fotografie satellitari ottenute nella luce visibile, con colori e dettagli del paesaggio più familiari ai nostri occhi, anche se ricostruiti artificialmente.
I risultati, descritti in uno studio accettato per NeurIPS 2026, una delle principali conferenze internazionali dedicate all’intelligenza artificiale e all’apprendimento automatico, sono promettenti. Nei test condotti su immagini satellitari, GeoCore-9B ha superato altri modelli sviluppati appositamente per rimuovere le nuvole, ricostruendo con maggiore fedeltà la luminosità e le strutture del paesaggio, comprese strade e confini dei terreni agricoli. Anche nella trasformazione delle immagini radar ha ottenuto risultati incoraggianti: le immagini generate mostrano edifici e altre strutture artificiali più riconoscibili, con una disposizione spaziale più fedele rispetto a quella ricostruita da molti dei modelli con cui è stato confrontato. Le possibili applicazioni spaziano dal monitoraggio delle foreste e dei terreni agricoli alla gestione delle emergenze. Disporre di ricostruzioni delle aree nascoste dalle nuvole potrebbe essere utile, per esempio, per integrare le osservazioni disponibili durante un’alluvione o dopo un incendio. Prima di arrivare a un impiego operativo, però, il modello dovrà essere verificato su un maggior numero di sensori e regioni geografiche.
Naturalmente, qualche cautela è necessaria. GeoCore-9B non può sapere con certezza che cosa si nasconda sotto le nuvole: può ricostruire una strada, un edificio o un intero quartiere, ma non garantire che siano esattamente come li vedremmo in una fotografia. Insomma, le nuvole possono anche sparire dall’immagine. Il dubbio su quello che nascondevano, almeno per ora, no.
Per saperne di più:
- Leggi su arXiv il preprint dell’articolo “GeoCore-9B: Towards Geo-Aware Generative Foundation Models in Earth Observation”, di Jeonghyeok Do e Munchurl Kim