En la regresión y clasificación de imágenes detectadas de forma remota a través del meta-aprendizaje, las técnicas explotan la información invariante a la tarea para adaptarse rápidamente a nuevas tareas con menos actualizaciones de gradiente. A pesar de su utilidad, la información invariante a la tarea por sí sola puede no capturar efectivamente el conocimiento específico de la tarea, lo que lleva a una reducción del rendimiento del modelo en nuevas tareas. Como resultado, el concepto de covarianza de tareas ha ganado una atención significativa por parte de los investigadores. Proponemos representaciones covariantes de tareas para el aprendizaje de pocas muestras en imágenes de teledetección que utiliza redes de cápsulas para representar eficazmente las relaciones de covarianza entre objetos. Este enfoque está motivado por la capacidad superior de las redes de cápsulas para capturar tales relaciones. Para capturar y aprovechar las relaciones de covarianza entre tareas, empleamos cápsulas vectoriales y adaptamos los parámetros de nuestro modelo en función de las relaciones de covarianza de tareas recién aprendidas. Nuestro algoritmo de meta-aprendizaje propuesto ofrece un enfoque novedoso para abordar efectivamente la distribución real de tareas al incorporar información tanto general como específica de la tarea. Según los resultados experimentales, nuestro algoritmo de meta-aprendizaje propuesto muestra una mejora significativa tanto en la precisión promedio como en la eficiencia de entrenamiento en comparación con el mejor modelo en los experimentos. En promedio, el algoritmo aumenta la precisión en aproximadamente un 4% y mejora la eficiencia de entrenamiento en aproximadamente un 8%.