¿Y si pudieras comparar cualquier pixel del planeta con millones de ubicaciones sin entrenar un modelo desde cero? OlmoEarth Studio acaba de incorporar la exportación de embeddings, representaciones numéricas compactas que convierten imágenes satelitales en vectores listos para análisis geoespacial.
La herramienta está orientada tanto a investigadores como a equipos que necesitan detectar cambios, clasificar coberturas terrestres o explorar patrones ambientales con menos datos etiquetados y menor costo computacional.
Qué son los embeddings de OlmoEarth
Un embedding transforma la información de una ubicación en un vector de números. En el caso de OlmoEarth, ese vector resume características observadas en datos de la Tierra, como vegetación, agua, zonas urbanas, cultivos o suelo descubierto.
La idea es sencilla: lugares con características parecidas terminan cerca entre sí dentro del espacio matemático de los embeddings. Los lugares diferentes quedan más alejados. Así, una búsqueda de similitud puede responder preguntas como: ¿dónde existe un paisaje parecido a este?
OlmoEarth Studio genera estos vectores a partir de modelos fundacionales de observación terrestre. Tanto el código fuente como los pesos de los modelos están disponibles públicamente, lo que permite revisar cómo se producen las representaciones.
Configura el análisis desde Studio
El flujo de trabajo es similar al de cualquier otra predicción en la plataforma. Primero configuras el modelo y el área de interés, luego ejecutas el análisis y finalmente descargas los resultados.
Puedes elegir:
- Área de interés: un polígono dibujado o cargado por el usuario.
- Periodo temporal: entre uno y 12 periodos mensuales.
- Variante del encoder: Nano, Tiny o Base.
- Resolución espacial: 10, 20, 40 u 80 metros por pixel.
- Fuentes de imágenes: Sentinel-2 L2A, Sentinel-1 RTC o ambas.
Las variantes disponibles ofrecen distintos compromisos entre capacidad, almacenamiento y velocidad:
- Nano: vectores de 128 dimensiones y 1,4 millones de parámetros.
- Tiny: vectores de 192 dimensiones y 6,2 millones de parámetros.
- Base: vectores de 768 dimensiones y 89 millones de parámetros.
El resultado es un archivo Cloud-Optimized GeoTIFF, conocido como COG. Cada banda representa una dimensión del embedding y el archivo puede abrirse con herramientas como QGIS, GDAL o rasterio.
Los valores se almacenan como enteros con signo de 8 bits, entre -127 y 127. El valor -128 queda reservado para datos faltantes. Si necesitas recuperar los vectores en formato de punto flotante, puedes utilizar la función dequantize_embeddings del paquete olmoearth_pretrain.
Cuatro usos prácticos para los embeddings
1. Buscar lugares visualmente similares
Puedes seleccionar un pixel de referencia y calcular la similitud coseno contra todos los demás pixeles de la región. El resultado es un mapa de calor que muestra dónde el paisaje se parece más o menos al punto consultado.
En una prueba cerca de Merced, California, las zonas urbanas y los corredores viales aparecieron agrupados, mientras que las parcelas agrícolas quedaron diferenciadas. El modelo identificó esas diferencias sin utilizar etiquetas específicas para cada tipo de terreno.
También es posible seleccionar una ventana agrícola completa y calcular el vector promedio de sus pixeles. En el ejemplo presentado por Allen Institute for AI, los lugares más similares correspondían a parcelas irrigadas, con valores de similitud coseno de 0,89 o superiores. Los sitios menos parecidos incluían un aeropuerto, un embalse y áreas áridas.
No hizo falta entrenar un clasificador. Solo comparar vectores.
2. Crear mapas con pocas etiquetas
Los embeddings también pueden servir como base para una clasificación supervisada sencilla. Como las representaciones ya contienen información útil sobre el terreno, un modelo lineal puede aprender a separar clases utilizando pocos ejemplos.
Para probarlo, el equipo etiquetó 60 pixeles en Ca Mau, Vietnam: 20 para manglar, 20 para agua y 20 para otras coberturas. Después entrenó una regresión logística con estandarización de características y predijo la clase de cada pixel de la región.
El resultado alcanzó un F1 ponderado de 0,84. El mapa distinguió manglares, canales de marea y cuerpos de agua a partir de una cantidad muy reducida de etiquetas.
El código central puede resumirse así:
import rasterio
import numpy as np
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
with rasterio.open("embeddings.tif") as ds:
emb = ds.read().astype(np.float32)
C, H, W = emb.shape
X = emb.reshape(C, -1).T
clf = make_pipeline(
StandardScaler(),
LogisticRegression(max_iter=2000)
)
clf.fit(X[train_idx], labels[train_idx])
prediction = clf.predict(X).reshape(H, W)
Este enfoque se conoce como linear probe: se mantienen congeladas las representaciones del modelo y solo se entrena un clasificador sencillo sobre ellas. Si cuentas con puntos de campo, polígonos de referencia o un mapa existente, puedes aplicar la misma estrategia en tu propia región.
3. Detectar cambios entre fechas
Como Studio permite generar embeddings mensuales o anuales, puedes comparar dos periodos y calcular la distancia entre sus vectores. Esto ayuda a localizar cambios en la superficie sin necesitar etiquetas ni entrenamiento adicional.
En una demostración, el equipo comparó embeddings de septiembre de 2023 y septiembre de 2024 en California. La cicatriz del incendio Park Fire, ocurrido entre julio y septiembre de 2024, destacó claramente al medir la distancia coseno por pixel.
Este método puede ser útil para monitorear incendios, deforestación, expansión urbana, inundaciones o transformaciones agrícolas. La clave está en mantener comparables las fuentes de imágenes y los parámetros de generación.
4. Explorar patrones sin etiquetas
Cuando no tienes un punto de consulta ni datos etiquetados, puedes usar análisis no supervisado. Una opción es aplicar PCA, o análisis de componentes principales, para reducir cientos de dimensiones a tres y asignarlas a los canales rojo, verde y azul.
El resultado es una imagen de falso color donde las ubicaciones con embeddings parecidos adquieren colores similares. En Flevoland, Países Bajos, esta visualización reprodujo con claridad los límites regulares de las parcelas agrícolas y separó cultivos, cuerpos de agua y áreas urbanas.
No significa que el modelo comprenda esos conceptos como lo haría una persona. Significa que su espacio de representación conserva patrones consistentes que pueden revelar estructuras geográficas sin instrucciones explícitas.
Embeddings congelados o ajuste supervisado
Los ejemplos de la publicación utilizan embeddings congelados, sin entrenamiento específico para cada tarea. Esta es una forma rápida y económica de comenzar, especialmente cuando tienes pocos recursos o necesitas compartir los resultados como archivos geoespaciales estándar.
Si una aplicación exige mayor precisión, OlmoEarth Studio también ofrece supervised fine-tuning, o ajuste supervisado. En ese caso, el modelo puede entrenar una cabeza específica para tu tarea utilizando tus propias etiquetas. Normalmente, este enfoque supera a una prueba lineal sobre características congeladas, aunque requiere más datos, tiempo y capacidad de cómputo.
Los embeddings no eliminan la necesidad de validar los resultados. La calidad de las imágenes de entrada, la nubosidad persistente, los artefactos atmosféricos y la falta de observaciones pueden afectar directamente los vectores generados.
Una puerta de entrada práctica a la IA geoespacial
La principal ventaja de esta función es que reduce la distancia entre un modelo fundacional y un análisis concreto. En vez de entrenar una arquitectura completa para cada caso, puedes exportar un COG, conectarlo a tus herramientas habituales y comenzar a buscar similitudes, clasificar pixeles o comparar fechas.
OlmoEarth Studio ofrece acceso personalizado a estos embeddings, mientras que las instrucciones para calcularlos con los modelos públicos están disponibles en su documentación. También existe un tutorial con código para reproducir los ejemplos y un notebook de Colab para experimentar sin configurar un entorno local.
La IA para observación terrestre no tiene que comenzar con un proyecto enorme. A veces basta con un área de interés, dos fechas y una pregunta bien formulada: ¿qué lugares se parecen?, ¿qué cambió?, ¿qué cobertura domina aquí? Con los embeddings, esas preguntas pueden convertirse en análisis reproducibles y relativamente ligeros.