OlmoEarth Studio ahora exporta embeddings: vectores personalizados para observación de la Tierra

Resumen

OlmoEarth Studio, la plataforma para construir modelos de observación de la Tierra, ahora permite calcular y exportar embeddings personalizados generados por los modelos foundation OlmoEarth. El código fuente y los pesos de los modelos son de acceso público, por lo que la comunidad puede inspeccionar cómo se generan estas representaciones. Las embeddings son vectores numéricos compactos que resumen características de la superficie y sirven como punto de entrada económico y flexible para múltiples tareas downstream.

¿Qué son las embeddings y por qué importan en EO?

Una embedding es un vector que condensa la información relevante de un píxel o parche de imagen en pocas dimensiones. En el contexto de observación de la Tierra, lugares con características de superficie similares (cultivos irrigados, zonas urbanas, cuerpos de agua, manglares) tienden a producir vectores cercanos en el espacio de embeddings, mientras que áreas muy distintas quedan lejos. Esto permite aplicar técnicas de búsqueda por similitud, clasificaciones ligeras, detección de cambios entre períodos y análisis exploratorios sin requerir grandes conjuntos de etiquetas.

Cómo funciona la exportación de embeddings en OlmoEarth Studio

Calcular embeddings en Studio sigue el mismo flujo que cualquier otra predicción: se configura un modelo, se ejecuta y se descargan los resultados. La plataforma ofrece parámetros para adaptar la salida a sus necesidades operativas:

• Área de interés: dibuje o cargue un polígono; Studio se encarga de la adquisición y el mosaico de imágenes.
• Rango temporal: seleccione entre 1 y 12 periodos mensuales (puede generar compositos mensuales o anuales según el objetivo).
• Variante del codificador: Nano (128 dimensiones, 1.4M parámetros), Tiny (192 dimensiones, 6.2M parámetros) o Base (768 dimensiones, 89M parámetros).
• Resolución espacial: 10 m, 20 m, 40 m u 80 m por píxel.
• Fuentes de imagen: Sentinel-2 L2A, Sentinel-1 RTC o ambos.

Studio entrega un GeoTIFF optimizado para la nube (Cloud-Optimized GeoTIFF, COG) con una banda por dimensión de embedding. Los vectores se guardan como enteros con signo de 8 bits (int8), con valores entre -127 y +127; -128 se reserva para nodata. Para recuperar vectores en punto flotante se usa la función de desquantización (por ejemplo, dequantize_embeddings en la librería olmoearth_pretrain).

Una ventaja clave es que los embeddings se computan bajo demanda y reflejan exactamente las condiciones que ustedes definan (por ejemplo, una serie mensual para capturar dinámica estacional), en lugar de depender de un archivo global precomputado.

Ejemplos de uso: tareas prácticas sobre embeddings

Los ejemplos divulgados por el equipo usan la variante OlmoEarth-v1-Tiny (192 dimensiones) a 40 m con composites de Sentinel-2 L2A, aunque pueden escoger variantes más grandes para mayor rendimiento a costa de más cómputo y almacenamiento.

Similarity search (búsqueda por similitud)

• Flujo: eligen un píxel o ventana de referencia, extraen su embedding y calculan la similitud por coseno frente a todos los píxeles del área. El resultado es un mapa de calor que muestra dónde el paisaje se parece más o menos al ejemplo.
• Ejemplo ilustrativo: una consulta cerca del centro urbano de Merced (California) resaltó cortinas urbanas y corredores viales, mientras que parcelas agrícolas aparecieron con baja similitud, sin usar etiquetas.

Few-shot segmentation (segmentación con pocas etiquetas)

• En regiones donde se necesitan mapas de cobertura del suelo, una clasificación lineal simple sobre las embeddings puede producir mapas coherentes con muy pocas etiquetas.
• Caso de prueba: sobre Ca Mau (Vietnam), usando ESA WorldCover 2021 como fuente de etiquetas para tres clases (manglar, agua, otro), se entrenó una regresión logística con estandarización por característica a partir de sólo 60 píxeles (20 por clase). El resultado fue un mapa razonablemente coherente con un F1 ponderado de 0.84. En ese experimento la precisión se saturó rápido: aumentar las etiquetas de 30 a 300 apenas mejoró el resultado, porque las embeddings ya codificaban la mayor parte de la información discriminativa.

Detección de cambios

• Generando embeddings mensuales se puede comparar vectores entre épocas para detectar zonas que se transforman (pérdida de bosque, expansión urbana, cambios en cuerpos de agua). La comparación no requiere modelos supervisados y puede ayudar a priorizar áreas para inspección más detallada.

Exploración no supervisada

• Clustering y reducción dimensional permiten explorar patrones a gran escala y descubrir agrupamientos naturales del paisaje, útil para inventarios ambientales, planificación o muestreo orientado.

Formato de salida y consideraciones operativas

• Salida: COG con una banda por dimensión, almacenada como int8. -128 indica nodata.
• Conversión a flotante: use la rutina de desquantización provista por la librería oficial para recuperar embeddings en punto flotante cuando necesiten cálculos de similaridad o entrenamiento adicional.
• Elección de encoder: las variantes Nano/Tiny/Base ofrecen un equilibrio entre costo y capacidad; Tiny (192-dim) suele ser un buen punto de partida para pruebas operativas ligeras.
• Temporalidad: al poder generar series mensuales obtienen sensibilidad a cambios estacionales, no solo snapshots anuales.
• Afinamiento supervisado: si una aplicación requiere rendimiento superior, Studio también soporta fine-tuning supervisado (SFT) sobre sus modelos.

Aplicaciones prácticas en América Latina

Para tomadores de decisiones y equipos técnicos en América Latina, estas capacidades son especialmente relevantes:

• Agricultura de precisión: identificar parcelas con prácticas de riego, distinguir cultivos y detectar cambios temporales sin requerir grandes campañas de etiquetado.
• Monitoreo forestal y manglares: detectar pérdida de cobertura o degradación en ecosistemas costeros y amazónicos mediante comparaciones temporales de embeddings.
• Gestión hídrica y detección de inundaciones: seguimiento de cuerpos de agua y su dinámica estacional o anómala.
• Ordenamiento territorial y expansión urbana: localizar crecimiento urbano y cambios en infraestructura usando búsquedas por similaridad y segmentaciones con pocas etiquetas.

Las embeddings permiten implementar prototipos rápidos y escalar analíticas geoespaciales con menos dependencia de datos etiquetados, lo cual es valioso para gobiernos, ONGs y empresas con recursos limitados para etiquetado masivo.

Limitaciones y recomendaciones

• Cuantización: las embeddings se exportan como int8; la cuantización reduce tamaño pero introduce pérdida numérica. Desquantizar es necesario para algunos flujos de trabajo.
• Trade-offs de resolución y modelo: mayor resolución y modelos más grandes aumentan la calidad pero también los costos de cómputo y almacenamiento.
• Validación local: aunque las embeddings son poderosas, conviene validar cualquier pipeline en su territorio de interés y, cuando sea posible, complementar con etiquetas locales para casos críticos.

Cómo empezar

Si desean acceder a embeddings personalizadas desde OlmoEarth Studio pueden solicitar acceso a la plataforma. Además, el proyecto ofrece instrucciones para calcular embeddings localmente usando los modelos OlmoEarth públicamente disponibles, lo que facilita auditoría y adaptación a flujos internos.

Conclusión

La exportación de embeddings desde OlmoEarth Studio ofrece una forma práctica y eficiente de integrar modelos foundation de observación de la Tierra en workflows geoespaciales. Para organizaciones en América Latina representa una oportunidad para acelerar proyectos de monitoreo ambiental, manejo de recursos naturales y planeamiento territorial con menos dependencia de datos etiquetados y mayor flexibilidad temporal y espacial.