O modelo Tessera AI oferece uma maneira acessível de visualizar a Terra

Tessera, um modelo avançado de inteligência artificial (IA), oferece conjuntos de dados de alta precisão que codificam o que o satélite “vê” da superfície da Terra durante o ano. Esses dados compactados podem ser usados ​​pela comunidade científica para gerar mapas ricos em informações.

Crucialmente, os conjuntos de dados codificados – chamados “embeddings” – utilizam muito menos dados do que as imagens pixelizadas que são transmitidas para a Terra a partir de satélites. O modelo apoia uma variedade de aplicações, desde o monitoramento de culturas agrícolas até a medição de áreas queimadas por incêndios e copas florestais.

Um artigo sobre Tessera foi publicado na Conferência IEEE/CVF 2026 sobre Visão Computacional e Reconhecimento de Padrões (CVPR), realizada de 3 a 7 de junho. O modelo em si foi lançado pela primeira vez em 2025 e o artigo marca o primeiro anúncio do Tessera totalmente revisado por pares para a comunidade científica.

O modelo base – Temporal Embeddings of Surface Spectra for Earth Representation and Analysis, ou Tessera, para abreviar – foi desenvolvido por investigadores da Universidade de Cambridge, no Reino Unido, juntamente com parceiros globais e europeus, incluindo a Universidade Aalto, na Finlândia.

Os conjuntos de dados processados, ou incorporações, do Tessera oferecem vários benefícios específicos para a comunidade de observação da Terra. Como os embeddings do Tessera são pré-treinados, eles capturam padrões nos dados e mudanças ao longo do tempo que outros métodos devem aprender do zero. Isto significa que não especialistas em IA podem resolver problemas de sensoriamento remoto em escala global usando apenas uma fração dos dados rotulados anteriormente necessários. Os embeddings também são leves o suficiente para serem acessados ​​​​de um laptop ou até mesmo de um dispositivo móvel, tornando-os disponíveis para usuários sem recursos computacionais. E como um projeto de código aberto, é livremente modificável, criando possibilidades quase ilimitadas de utilização de conjuntos de dados de satélite para estudar a Terra.

Segundo Nuno Miranda, Gestor da Missão Sentinel-1 da Agência Espacial Europeia (ESA), este é um passo inovador e entusiasmante no desenvolvimento e utilização da IA ​​no domínio da observação da Terra. Ele disse: “Os modelos básicos são a nova fronteira da IA ​​aplicada aos dados de sensoriamento remoto. Tessera demonstra como os dados das missões Sentinel-1 e Sentinel-2 podem ser aplicados na prática, ajudando os usuários a analisar e compreender o sistema terrestre de forma mais eficiente.”

Srinivasan Keshav, professor da Universidade de Cambridge e colíder do projeto Tessera, observou: “Com o Tessera, abordamos alguns dos desafios de trabalhar com as grandes quantidades de dados fornecidos pelo programa Copernicus. Nossas incorporações tornam os dados mais acessíveis aos usuários de comunidades tradicionalmente não atendidas, especialmente aqueles de ecologia, conservação, ciência de plantas e zoologia. Também os disponibilizamos sem a necessidade de registro e sem nenhum custo, abrindo a porta para muitas novas classes de dados críticos. problemas.”

O que é Tessera:

O Tessera processa enormes quantidades de dados de sensoriamento remoto das missões Copernicus, Sentinel-1 e Sentinel-2. Ele combina dois tipos de dados: dados ópticos do Sentinel-2 e dados de radar avançados, conhecidos como dados de radar de abertura sintética (SAR), do Sentinel-1. Os conjuntos de dados ópticos e de radar são fundidos pelo modelo básico e processados ​​em incorporações globais abrangendo cada ano de 2017 a 2025.

Portanto, em vez de imagens pixeladas e com muitos dados de satélites, o Tessera comprime imagens de satélite com muitos dados e nubladas para criar uma camada incorporada de dados da Terra. Ele faz isso com uma resolução de 10 m, que é igual à resolução mais alta capturada pelo Sentinel-2.

As camadas incorporadas do Tessera são basicamente dados de observação da Terra compactados com valores ausentes preenchidos. Cada pixel de 10 m contém uma série temporal do que aconteceu naquele ponto ao longo do ano. Isto dá aos investigadores uma imagem da mudança – em vez da aparência de um campo, rio ou montanha num determinado momento – num formato que pode ser pesquisado.

O Tessera é suportado por ferramentas que permitem aos usuários pesquisar e comparar imagens da Terra de diversas maneiras diferentes. Por exemplo, os usuários podem pesquisar regiões geográficas semelhantes entre si e podem procurar mudanças nas paisagens. Também é possível fazer previsões sobre a saúde da vegetação e o crescimento urbano.

Rastreando mudanças de habitat

Um projecto baseado no Reino Unido envolvendo Tessera está a desenvolver formas de avaliar os esquemas de protecção da natureza do governo do Reino Unido utilizando dados de satélite das Sentinelas 1 e 2. Os investigadores usaram embeddings Tessera para monitorizar alterações de habitat em terras designadas para protecção em Cumbria, uma área do norte de Inglaterra. O projecto, uma parceria entre a Tessera, o Endangered Landscapes and Seascape Programme e outros parceiros do Reino Unido, poderia eventualmente fornecer ao governo uma forma de medir a eficácia dos investimentos em subsídios agrícolas e na conservação da natureza.

Um dos co-líderes de Tessera e pesquisador sênior do projeto de monitoramento da paisagem de Cumbria, Professor David Coomes, da Universidade de Cambridge, disse: “Monitorar essas mudanças ambientais em vastas escalas é exatamente o tipo de problema que Tessera foi projetado para resolver”.

Como os modelos de fundação estão mudando a observação da Terra?

Tessera promove transparência e reprodutibilidade. É de código aberto e está alinhado com os princípios FAIR (Findable, Accessible, Interoperable, Reusable) – um conjunto de diretrizes amplamente adotadas desenvolvidas pela comunidade internacional de pesquisa sobre a reutilização de ativos digitais.

Ele oferece uma alternativa aberta e transparente a sistemas como o AlphaEarth Foundations, um modelo de IA do Google DeepMind, que também compacta dados complexos de satélite de múltiplas fontes para criar incorporações usando um modelo fechado.

Além disso, o Tessera facilita o acesso aos dados do Copernicus e oferece uma forma eficiente de explorar dados de observação da Terra.

De acordo com Srinivasan Keshav, da Universidade de Cambridge, “A adoção de embeddings representa uma mudança de paradigma. Em vez de distribuir imagens pesadas, modelos como o Tessera podem agora fornecer aos utilizadores a jusante representações semânticas comprimidas da informação da superfície da Terra incorporada nos dados originais.”

Parceiros da ESA em modelos para observação da Terra

Várias equipas estão a trabalhar em modelos básicos para a observação da Terra, colocando a Europa na vanguarda deste domínio. A ESA também foi pioneira no desenvolvimento de modelos básicos treinados em dados de observação da Terra através do seu laboratório de inovação aberta, Φ-lab, um centro e catalisador para a inovação na observação da Terra. Dois modelos básicos lançados recentemente pelo Φ-lab são Thor, desenvolvido pelo Centro de Computação Norueguês, e TerraMind, desenvolvido com a IBM Research Europe. É importante ressaltar que, ao contrário de modelos como Tessera ou AlphaEarth, que agregam informações em incorporações anuais ou de longo prazo, tanto Thor quanto TerraMind se concentram em aprender a partir de observações individuais, preservando informações contextuais espaciais ricas em instantâneos de imagens únicas, em vez de encapsular tudo em uma única representação compactada.

Thor (modelo de base baseado em transformador para observação e resolução heterogênea) é um modelo de base multimodal versátil, que combina diferentes tipos de dados e é projetado para superar os desafios de entradas variadas e restrições rígidas de implantação. Embora a maioria dos modelos de fundação atuais sejam arquitetonicamente rígidos, o Thor permite ao usuário adaptar a resolução interna e otimizar o desempenho computacional. É treinado com dados dos Sentinels 1, 2 e 3. Este modelo foi financiado e apoiado através do projecto Foundation Models for Climate and Society (FM4CS) da ESA.

O TerraMind, modelo básico lançado em abril de 2025, também é multimodal e capaz de responder questões sobre clima e natureza. Em vez de se concentrar apenas em tarefas a jusante, a sua principal inovação reside na aprendizagem de um espaço de representação unificado que alinha múltiplas fontes de dados geoespaciais – incluindo imagens de satélite, topografia, uso/cobertura do solo, elevação e geolocalização. Isso permite o raciocínio intermodal e a interação baseada em consultas com os dados do sistema terrestre. Ao incorporar conjuntamente essas diversas fontes, a TerraMind vai além dos modelos tradicionais de tarefas específicas em direção a uma estrutura de inteligência geoespacial de uso mais geral. Foi treinado num conjunto de dados de mais de nove milhões de amostras distribuídas globalmente, abrangendo oito tipos de dados complementares, incluindo imagens de radar do Copernicus Sentinel-1 e ópticas do Sentinel-2.