OlmoEarth v1.3 ofrece embeddings satelitales abiertos para todo el planeta

Hugging Face ha lanzado OlmoEarth v1.3, un nuevo modelo de última generación que genera vector embeddings a partir de imágenes satelitales. Junto con los pesos del modelo, el equipo publicó embeddings anuales precalculados para todo el planeta y una herramienta de exploración basada en navegador. Este lanzamiento busca reducir la barrera de entrada para desarrolladores e investigadores que trabajan con datos geoespaciales, eliminando la necesidad de recursos computacionales intensivos.

Qué ocurrió

El núcleo de este lanzamiento es el modelo OlmoEarth v1.3, que procesa series temporales de datos satelitales en vectores de características compactos y reutilizables. A diferencia de versiones anteriores que requerían que los usuarios ajustaran modelos sobre imágenes crudas utilizando una potencia significativa de GPU, esta versión proporciona embeddings listos para usar. Hugging Face calculó estos embeddings para cada píxel de 10 metros en la Tierra durante varios años y los puso a disposición a través de Source Cooperative. El lanzamiento también incluye el OlmoEarth Embeddings Explorer, una herramienta web interactiva que permite a los usuarios visualizar cambios a lo largo del tiempo y entrenar clasificadores simples sin escribir código ni gestionar infraestructura.

Este enfoque cambia el flujo de trabajo desde el entrenamiento de grandes modelos de visión desde cero hacia la realización de modelado ligero sobre características existentes. Los desarrolladores ahora pueden construir aplicaciones como mapeo de cultivos, clasificación de cobertura terrestre o detección de cambios mediante el entrenamiento de clasificadores pequeños sobre los vectores proporcionados. El equipo evaluó los nuevos embeddings frente a competidores como AlphaEarth Foundations y Tessera v2 en 27 benchmarks diferentes. OlmoEarth v1.3 logró la puntuación global más alta, liderando en 20 de las 27 evaluaciones con sus vectores de 128 dimensiones y en 18 evaluaciones con su variante menor de 64 dimensiones.

El lanzamiento hace hincapié en la apertura y la eficiencia. Todos los pesos del modelo, los datos de preentrenamiento y el código están disponibles públicamente bajo la Licencia de Artefactos OlmoEarth. El equipo informó que el entrenamiento de OlmoEarth v1.3 fue significativamente más barato y energéticamente eficiente que las iteraciones anteriores, consumiendo solo el 53% del tiempo de cómputo de la versión 1.2 y el 18% de la versión 1. Esta eficiencia hace factible que otras organizaciones reproduzcan los resultados, estimándose que la ejecución final de entrenamiento costó aproximadamente $2,720 en tiempo alquilado de GPU H100.

Cómo funciona

OlmoEarth v1.3 opera leyendo datos de series temporales anuales de tres fuentes satelitales principales: datos de radar de Sentinel-1, y datos multiespectrales de Sentinel-2 y Landsat. El modelo utiliza una arquitectura de transformer de visión para procesar esta entrada. Un componente Attention Pooler agrega la información de parches de terreno en una única representación, que luego se reduce a un vector de 128 dimensiones mediante una capa lineal. Estos vectores, o embeddings, capturan el significado semántico del paisaje en cada píxel de 10 metros. Las primeras 64 dimensiones de este vector también pueden funcionar independientemente como un embedding más pequeño y ligero.

Dado que los embeddings comprimen complejos datos satelitales en números de tamaño fijo, permiten una comparación y clasificación eficientes. Los usuarios pueden comparar vectores de diferentes años para detectar cambios, como deforestación o expansión urbana, midiendo la distancia entre ellos. El sistema también mantiene registros de procedencia, vinculando cada embedding de vuelta a las escenas satelitales específicas utilizadas para generarlo. Esta transparencia permite a los usuarios verificar los datos de origen para cualquier ubicación dada.

Detalles clave

• OlmoEarth v1.3 produce embeddings de 128 dimensiones para cada píxel de 10 metros en la Tierra, con un subconjunto utilizable de 64 dimensiones.
• Los embeddings globales precalculados están disponibles para 2023, 2024 y 2025, con cobertura selectiva por país para 2017 a 2022.
• El modelo superó a AlphaEarth Foundations y Tessera v2 en 20 de las 27 evaluaciones de benchmark.
• Los costos de entrenamiento se redujeron en un 47% en comparación con v1.2, con emisiones de carbono reducidas a la mitad respecto a la versión anterior.
• El OlmoEarth Embeddings Explorer permite a los usuarios entrenar clasificadores y exportar GeoTIFFs directamente en el navegador sin acceso a GPU.
• Todos los activos, incluyendo pesos, código y datos, son de código abierto bajo la Licencia de Artefactos OlmoEarth.

Por qué importa

Para ingenieros de software y científicos de datos, este lanzamiento reduce drásticamente la fricción involucrada en la construcción de aplicaciones geoespaciales. Tradicionalmente, crear mapas precisos de uso del suelo requería descargar terabytes de imágenes satelitales crudas, configurar pipelines complejos de preprocesamiento y entrenar grandes modelos en hardware costoso. Con embeddings precalculados, estos pasos se eliminan. Los desarrolladores pueden centrarse en resolver problemas específicos de dominio, como identificar cultivos de pequeños propietarios o rastrear actividad minera, entrenando clasificadores simples y rápidos sobre los vectores proporcionados. Esta democratización del acceso significa que equipos y organizaciones más pequeñas con recursos limitados ahora pueden realizar análisis a escala planetaria.

La disponibilidad de embeddings abiertos de alta calidad también acelera la investigación y la innovación en monitoreo ambiental. Al proporcionar una línea base estandarizada y de alto rendimiento, la comunidad puede construir herramientas más fiables para rastrear impactos del cambio climático, tala ilegal y tendencias agrícolas. La inclusión de datos de procedencia asegura que los resultados sean auditables, lo cual es crítico para aplicaciones científicas y regulatorias. Además, las ganancias de eficiencia en el entrenamiento demuestran que los modelos fundacionales de alto rendimiento no siempre requieren niveles insostenibles de consumo energético, apuntando hacia un futuro más sostenible para el desarrollo de IA.

Qué puedes hacer

• Visita el OlmoEarth Embeddings Explorer para visualizar cambios planetarios y probar búsquedas de similitud sin instalar ningún software.
• Descarga los embeddings precalculados de 64 o 128 dimensiones para tu región de interés desde Source Cooperative.
• Entrena un clasificador ligero sobre los embeddings para crear mapas personalizados para tareas como detección de cultivos o análisis de cobertura terrestre.
• Usa las tablas de procedencia para rastrear embeddings específicos hasta sus escenas originales de Sentinel-1, Sentinel-2 o Landsat.
• Experimenta con OlmoEarth Studio si necesitas generar embeddings para ventanas temporales o resoluciones específicas no cubiertas en el conjunto precalculado.
• Revisa el informe técnico y los detalles del benchmark PLANTEUR para entender la metodología de evaluación y las limitaciones del modelo.