Bagi AI yang harus memahami ruang fisik, citra satelit belum cukup rapat untuk menangkap detail yang benar-benar dibutuhkan. Pada tingkat ini, selisih kecil dalam resolusi bisa berarti perbedaan besar antara objek yang terbaca jelas dan bentuk yang justru menyatu.
Masalah paling mendasar ada pada jarak fisik yang diwakili tiap piksel, atau ground sample distance. Citra satelit komersial terbaik masih berada di kisaran 30 sentimeter per piksel, sementara citra drone milik Spexi diklaim mencapai 2,8 sentimeter per piksel.
Perbedaan itu mungkin tampak kecil di atas kertas, tetapi bagi model AI yang belajar dari dunia nyata, dampaknya sangat besar. Retakan trotoar dan noda abu-abu bisa terlihat nyaris sama pada skala 30 sentimeter, padahal sistem yang dipakai untuk robot, kendaraan otonom, atau augmented reality membutuhkan pembacaan yang jauh lebih presisi.
Di sisi lain, industri penginderaan jauh juga masih dibatasi oleh aturan yang memengaruhi seberapa tajam citra satelit bisa dibuat. NOAA, lembaga AS yang mengawasi remote sensing komersial, lama membatasi resolusi citra satelit komersial sebelum melonggarkan batas federal dari 50 sentimeter menjadi 25 sentimeter pada 2014.
Jejak aturan itu masih terlihat pada satelit yang beroperasi sekarang. WorldView-3 milik Maxar menangkap citra pankromatik 31 sentimeter, SkySat milik Planet Labs mencapai hingga 50 sentimeter per piksel, sedangkan PlanetScope yang memantau permukaan daratan bumi setiap hari bekerja di sekitar 3 meter per piksel.
Upaya mendorong batas itu terus berjalan. Albedo Space mencoba melakukannya lewat Clarity-1 yang diluncurkan pada Maret 2025.
Satelit untuk Very Low Earth Orbit itu mengantongi lisensi NOAA untuk citra komersial. Targetnya adalah 10 sentimeter pankromatik dan 40 sentimeter multispektral, tetapi posisinya masih sebagai penjelajah teknis, belum sebagai sistem produksi skala besar.
Namun, gambar yang lebih tajam tidak otomatis lebih berguna untuk melatih AI. Model yang mempelajari sensor, ketinggian, cahaya, dan distorsi geometri yang berbeda akan menyerap variasi itu sebagai bagian dari dunia nyata, bukan sekadar gangguan data.
Kondisi tersebut dikenal sebagai domain shift, yaitu saat sifat statistik data latih berbeda dari data ketika model dipakai. Penelitian yang dikutip Kili Technology menyebut sensitivitas terhadap ground sample distance sebagai salah satu hambatan teknis terbesar dalam geospatial AI.
Masalah ini semakin terlihat ketika model dilatih dari citra 30 sentimeter lalu dipakai pada citra 3 sentimeter. Objek yang semula hanya menempati satu piksel bisa berubah menjadi seratus piksel, dan model tidak punya kerangka yang stabil untuk menafsirkan lonjakan detail itu.
Karena itu, data seragam menjadi kebutuhan 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 berbeda membuat syarat itu sulit dipenuhi. Situasi serupa juga muncul pada survei udara tradisional karena data sering datang dari kontraktor yang berbeda dengan peralatan dan kondisi yang tidak seragam.
Dorongan untuk menyediakan data yang lebih rapi datang dari kebutuhan 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.
Pada resolusi sekitar 30 sentimeter, tiga objek itu bisa 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 di ruang fisik nyata, detail yang seragam dan sangat tajam masih belum tergantikan.
