OlmoEarth publica un mapa interactivo de toda la Tierra generado con inteligencia artificial
El Allen Institute libera embeddings satelitales de código abierto que permiten rastrear cambios en el planeta sin necesidad de entrenar modelos ni acceder a GPUs, con una herramienta gratuita para explorarlos desde el navegador
OlmoEarth v1.3 es un modelo de inteligencia artificial que convierte imágenes satelitales en embeddings (vectores numéricos compactos). El Allen Institute ha calculado estos embeddings para toda la Tierra y los ofrece gratuitamente junto con OlmoEarth Embeddings Explorer, una herramienta web que permite rastrear cambios en el planeta sin necesidad de entrenar modelos ni usar GPUs.
El Allen Institute for AI ha publicado OlmoEarth v1.3, un modelo de inteligencia artificial que convierte imágenes de satélite en representaciones compactas llamadas embeddings (vectores numéricos que capturan las características esenciales de un lugar). Lo más significativo del lanzamiento no es solo el modelo, sino que han calculado estos embeddings para todo el planeta y los han publicado con acceso gratuito, junto con una herramienta web llamada OlmoEarth Embeddings Explorer que permite explorarlos sin registro ni conocimientos técnicos avanzados.
El modelo lee un año completo de datos de los satélites Sentinel-1 (radar), Sentinel-2 y Landsat (multiespectrales, que capturan distintas longitudes de onda de luz) y genera un vector de 128 dimensiones por cada píxel de 10 metros en la superficie terrestre. Según informó el Allen Institute, OlmoEarth v1.3 supera a modelos competidores como AlphaEarth Foundations y Tessera v2 en 20 de 27 evaluaciones que cubren seis continentes. Los embeddings funcionan como una forma preprocesada de los datos satelitales: en lugar de descargar cientos de gigabytes de imágenes y entrenar un modelo desde cero para cada tarea, cualquiera puede descargar los embeddings (mucho más ligeros) y entrenar un clasificador pequeño que funcione en un ordenador normal.
La aplicación práctica es directa. En la región peruana de Madre de Dios, por ejemplo, los embeddings muestran cómo la minería ilegal de oro se expandió entre 2017 y 2020 en la zona de amortiguamiento de la Reserva Nacional Tambopata, y cómo el patrón de cambio se alteró tras la Operación Mercurio de 2019, que intentó frenar la actividad. Comparar los vectores de cada píxel entre años revela dónde ha cambiado el paisaje sin necesidad de entrenar ningún modelo: las zonas que más han cambiado destacan automáticamente. El explorador web permite hacer este tipo de análisis en segundos, clicando en el mapa.
El proyecto también presenta PLANTEUR, un nuevo conjunto de datos para evaluar modelos en agricultura tropical, donde OlmoEarth v1.3 demostró generalizar mejor a lugares que nunca había visto durante el entrenamiento. Los embeddings ya están disponibles en Source Cooperative (una plataforma de datos geoespaciales abiertos) para los años 2023, 2024 y 2025 a nivel global, y entre 2017 y 2022 para países seleccionados, ocupando aproximadamente 150 terabytes por año. Todo el sistema está publicado bajo la OlmoEarth Artifact License: los pesos del modelo, los datos de entrenamiento y el código son completamente abiertos.
Entrenar OlmoEarth v1.3 desde cero costaría unos 2.720 dólares en alquiler de GPUs H100 (procesadores especializados en inteligencia artificial de Nvidia), lo que representa el 53% del tiempo de cómputo que requirió la versión anterior (v1.2) y el 18% de la primera versión, con reducciones proporcionales en emisiones de carbono. El modelo funciona también como base para fine-tuning (entrenamiento adicional para tareas específicas) a través de OlmoEarth Studio, la plataforma de entrenamiento del proyecto, pero la novedad es que ahora muchas tareas pueden resolverse directamente con los embeddings precalculados, sin necesidad de GPUs ni de gestionar grandes volúmenes de imágenes satelitales.
