Ai2 apresenta embeddings do OlmoEarth para análise de observação da Terra
O Allen Institute for Artificial Intelligence (Ai2) anunciou a disponibilidade de embeddings personalizados do OlmoEarth, exportados diretamente a partir do OlmoEarth Studio para uso em análises geoespaciais. A novidade permite que pesquisadores e organizações utilizem representações numéricas geradas por modelos de fundação voltados à observação da Terra em tarefas como busca por similaridade, segmentação e exploração não supervisionada de imagens de satélite.
Embeddings são representações vetoriais compactas que traduzem características de uma imagem ou região em sequências numéricas. Localizações com características de superfície semelhantes produzem vetores próximos entre si, enquanto áreas distintas ficam distantes no espaço matemático. De acordo com o Ai2, os embeddings do OlmoEarth funcionam como um ponto de entrada rápido e de baixo custo para aproveitar os modelos da família, eliminando a necessidade de treinar redes neurais do zero para cada aplicação específica. Segundo a instituição, os embeddings têm apresentado desempenho consistente em benchmarks internos e em avaliações independentes.
Os modelos da família OlmoEarth são voltados para sensoriamento remoto e processam dados de diferentes satélites, incluindo Sentinel-1, Sentinel-2 e Landsat, além de séries temporais de imagens. O ecossistema inclui variantes como o OlmoEarth-v1-Base, baseado na arquitetura ViT-Base com 89 milhões de parâmetros, e versões menores como a OlmoEarth-v1-Tiny, com 12 milhões de parâmetros. Os embeddings gerados podem ser exportados no formato Cloud-Optimized GeoTIFF (COG), um tipo de arquivo geoespacial leve, otimizado para acesso na nuvem e fácil de compartilhar entre equipes e sistemas.
Para demonstrar o potencial da ferramenta, a publicação apresenta dois exemplos visuais de aplicação. No primeiro, uma região de Flevoland, nos Países Baixos, é analisada por meio de uma imagem em falsa cor gerada a partir de análise de componentes principais (PCA, na sigla em inglês), uma técnica estatística que reduz a complexidade dos dados para destacar variações relevantes. O resultado reproduz com fidelidade a malha regular de parcelas agrícolas da área, atribuindo tonalidades distintas a diferentes tipos de cultivo, corpos d'água e zonas urbanas, mesmo sem o modelo ter recebido qualquer rótulo sobre o que é uma lavoura ou uma cidade.
O segundo exemplo utiliza similaridade por cosseno, um cálculo matemático que mede o quanto dois vetores se parecem, aplicado a uma região próxima ao centro urbano de Merced, na Califórnia. A partir de um pixel de consulta, o sistema extrai seu embedding e compara com todos os demais, gerando um mapa de calor que destaca as áreas mais semelhantes à referência. O resultado mostra que áreas construídas e corredores rodoviários se acendem de forma coerente, enquanto as parcelas agrícolas permanecem escuras, evidenciando que o modelo consegue distinguir superfícies edificadas de terras cultiváveis sem qualquer supervisão humana direta.
Os modelos e embeddings estão acessíveis por meio do OlmoEarth Platform, ambiente que, segundo o Ai2, permite que qualquer organização utilize os modelos sem exigir conhecimento aprofundado em inteligência artificial ou engenharia. O licenciamento segue a OlmoEarth Artifact License, acompanhada das diretrizes de uso responsável definidas pelo instituto. Tutoriais para cálculo de embeddings e ajuste fino dos modelos para tarefas específicas estão disponíveis no repositório oficial no GitHub.
Com a novidade, o Ai2 amplia o ecossistema de ferramentas baseadas no OlmoEarth, oferecendo uma camada adicional de acessibilidade para projetos que dependem de análise de imagens de satélite em larga escala. A iniciativa reforça a aposta do instituto em modelos abertos para observação da Terra, área que combina sensoriamento remoto, geociências e inteligência artificial para monitoramento ambiental, agrícola e urbano em escala global.
