Citra satelit terlihat cukup tajam untuk kebutuhan visual sehari-hari, tetapi belum memadai untuk melatih AI yang harus memahami dunia fisik secara presisi. Keterbatasan itu paling terasa saat model dipakai untuk robot, kendaraan otonom, dan augmented reality yang menuntut detail jauh lebih halus.
Masalah utamanya ada pada ground sample distance, ანუ jarak fisik yang diwakili tiap piksel. Spexi menyebut citra drone miliknya mencapai 2,8 sentimeter per piksel, sedangkan satelit komersial terbaik baru sekitar 30 sentimeter per piksel.
Perbedaan itu kecil di atas kertas, tetapi besar bagi model AI yang belajar mengenali objek nyata. Pada skala tersebut, retakan trotoar dan noda abu-abu bisa terlihat mirip, padahal keduanya memberi makna yang berbeda bagi sistem.
Batas resolusi masih menahan satelit
Kendala citra satelit komersial tidak hanya datang dari optik, tetapi juga dari regulasi. NOAA, lembaga AS yang mengawasi remote sensing komersial, lama membatasi resolusi citra satelit komersial, lalu melonggarkan batas federal dari 50 sentimeter menjadi 25 sentimeter pada 2014.
Jejak aturan itu masih tampak pada satelit yang beroperasi saat ini. WorldView-3 milik Maxar menangkap citra pankromatik 31 sentimeter, SkySat milik Planet Labs mencapai hingga 50 sentimeter per piksel, dan PlanetScope yang memantau permukaan daratan bumi setiap hari bekerja di sekitar 3 meter per piksel.
Albedo Space mencoba mendorong batas tersebut lewat Clarity-1 yang diluncurkan pada Maret 2025. Satelit untuk Very Low Earth Orbit itu mengantongi lisensi NOAA untuk citra komersial dengan target 10 cm pankromatik dan 40 cm multispektral, tetapi posisinya masih sebagai penjelajah teknis, bukan sistem produksi skala besar.
Resolusi tinggi pun belum otomatis cukup
Dalam pelatihan AI, gambar yang lebih tajam tidak selalu lebih berguna. Model yang belajar dari sensor, ketinggian, cahaya, dan distorsi geometri yang berbeda akan menyerap variasi itu sebagai bagian dari dunia nyata, bukan sebagai gangguan data.
Kondisi ini dikenal sebagai domain shift, yaitu saat sifat statistik data latih berbeda dari data saat inferensi. Penelitian yang dikutip Kili Technology menyebut sensitivitas terhadap ground sample distance sebagai salah satu hambatan teknis terbesar dalam geospatial AI.
Masalahnya makin jelas saat model dilatih dari citra 30 cm lalu dipakai pada citra 3 cm. Objek yang awalnya hanya menempati satu piksel bisa berubah menjadi seratus piksel, dan model tidak punya kerangka yang stabil untuk menafsirkan lonjakan detail itu.
Data seragam menjadi syarat utama
Tinjauan GeoAI di arXiv menekankan bahwa data geospasial harus distandarkan, disesuaikan, reliabel, serta seragam dalam format dan struktur. Citra dari penyedia berbeda, waktu berbeda, sensor berbeda, atau kondisi pengambilan yang berbeda membuat syarat itu sulit dipenuhi.
Masalah serupa juga muncul pada survei udara tradisional karena data sering datang dari kontraktor berbeda dengan peralatan dan kondisi yang tidak seragam. Karena itu, kebutuhan industri bergeser dari sekadar banyak data menjadi data yang konsisten dan siap masuk ke pipeline model.
Spexi mencoba membangun lapisan data itu lewat jaringan lebih dari 10.000 pilot drone yang terbang pada ketinggian 80 meter dengan peralatan seragam dan rencana terbang otomatis. Orto-mosaic mereka menghasilkan citra 2,8 cm yang telah dikalibrasi dan distandarkan, menurut pengumuman mitra distribusi SkyWatch pada Februari 2026.
Aplikasi yang menuntut detail centimeter-level
Dorongan terhadap data seperti ini datang dari aplikasi yang sangat spesifik. Niantic menyebut model geospasial besar akan membantu komputer memahami ruang fisik dan berinteraksi dengannya, termasuk untuk kacamata AR, robotika, pembuatan konten, dan sistem otonom.
Niantic Spatial, yang dipisahkan dari pembuat Pokémon Go pada Mei 2025, membangun Visual Positioning System di atas lebih dari 50 juta jaringan saraf dengan lebih dari 150 triliun parameter. Sistem itu juga memakai basis data proprietary berisi lebih dari 30 miliar gambar berpose dan membutuhkan akurasi posisi hingga level sentimeter.
Kebutuhan itu terlihat jelas di lapangan. Robot pengantar di trotoar harus membedakan trotoar, planter, dan bangku, sementara aplikasi AR harus menempatkan objek digital sejajar dengan adegan jalan nyata.
Peta satelit beresolusi 30 cm akan membuat tiga objek itu tampak seperti gumpalan yang sama. Dalam banyak kasus, satelit tetap unggul untuk cakupan luas, pemantauan deforestasi, kesehatan tanaman, dan urban sprawl, tetapi untuk melatih AI yang bekerja pada ruang fisik nyata, detail yang seragam dan sangat tajam masih belum tergantikan.
