EO-WM: Un modelo de mundo informado físicamente para predicción de observación terrestre | Cómo usar modelos de mundo para pronósticos climáticos y de cobertura terrestre | IA para análisis predictivo probabilístico en geociencias y satélites

Abstract

PROBLEMA: La predicción de dinámicas terrestres complejas a partir de datos de observación de la Tierra (EO) enfrenta desafíos de alta incertidumbre y la necesidad de respetar leyes físicas elementales para ser confiable. SOLUCIÓN: El paper presenta EO-WM, un modelo de mundo diseñado específicamente para el pronóstico probabilístico en tareas de observación terrestre, integrando restricciones físicas en el aprendizaje latente. METODOLOGÍA: El modelo utiliza una arquitectura de espacio de estados latentes que incorpora invariantes físicos para guiar la evolución temporal de las representaciones y un decodificador probabilístico para cuantificar la incertidumbre en las predicciones climáticas y de cobertura terrestre. RESULTADOS: EO-WM supera a los modelos generativos puramente visuales en precisión de predicción a largo plazo y consistencia física en benchmarks de monitoreo ambiental. RELEVANCIA: Es fundamental para sistemas críticos de predicción espacial y monitoreo de recursos que requieren una comprensión estructural del mundo físico más allá de la simple extrapolación de píxeles.