La detección de embarcaciones en tiempo real desde el espacio ha dado un paso significativo gracias a los avances en la computación distribuida y la inteligencia artificial aplicada a constelaciones de satélites en órbita baja (LEO). En este estudio, se empleó un innovador modelo de edge computing para reducir el tiempo entre la captura de imágenes de barcos en el océano y su transmisión eficiente a estaciones terrestres.

Utilizando el algoritmo YOLOv8, entrenado en el conjunto de datos VHRShips, los satélites capturan imágenes y fragmentan la carga de procesamiento entre satélites vecinos. Esta técnica permite compresión y reducciones de datos excepcionales, alcanzando una compactación de imagen del 99.996%. Al implementar este enfoque, se conservan recursos de red y potencia computacional, clave para mantener la calidad de la imagen y la rapidez en la entrega de datos esenciales para rastreos marinos.

La constelación adoptó un diseño walker delta con veinte planos orbitales, cada uno compuesto por veinte satélites, para proporcionar cobertura y calidad de detección óptimas. Esta estructura permite mantener el pico de información (Age of Information, AoI) por debajo de los 60 segundos, asegurando siempre una cobertura cercana al 100% de la franja seleccionada, con un considerable ahorro energético y de transmisión.

El proceso en sí se basa en el uso de enlaces ópticos de espacio libre para comunicaciones entre satélites en un mismo plano y frecuencias de radio para comunicación con la Tierra, mitigando pérdidas de paquetes que, bajo un adecuado diseño experimental del algoritmo de detección, no impactan significativamente el rendimiento general.

Esta tecnología supera desafíos previos en observación terrestre, permitiendo una aplicación efectiva en vigilancia marítima y manejo de desastres, áreas que dependen críticamente de la rapidez y precisión de la información.