OlmoEarth lleva la IA a la observación terrestre

Ai2 ha presentado OlmoEarth, una familia de modelos abiertos de IA que analiza imágenes de satélite para detectar cambios en la Tierra y convertirlos en información útil para agricultura, incendios, conservación y vigilancia marítima.

El sistema no trabaja con una sola fotografía. Combina imágenes tomadas durante meses por distintos sensores, incluidos satélites ópticos y de radar, junto con mapas de cobertura del suelo, datos de OpenStreetMap y mediciones de altura de la vegetación.

Cuatro tamaños para distintos usos

OlmoEarth está disponible en cuatro versiones, con la misma arquitectura y método de entrenamiento:

• OlmoEarth-v1-Nano, con unos 1,4 millones de parámetros, para análisis rápidos y baratos a gran escala.
• OlmoEarth-v1-Tiny, con unos 6,2 millones de parámetros, también orientado a despliegues eficientes.
• OlmoEarth-v1-Base, con unos 90 millones de parámetros, como opción equilibrada entre velocidad y precisión.
• OlmoEarth-v1-Large, con unos 300 millones de parámetros, para tareas más exigentes.

Los parámetros son, en esencia, los valores que el modelo aprende durante su entrenamiento. Más parámetros no garantizan por sí solos un mejor resultado, pero suelen permitir representar patrones más complejos a cambio de necesitar más recursos.

Ai2 afirma que sus modelos superan a varias alternativas recientes, entre ellas DINOv3 de Meta, Prithvi y Terramind de IBM, además de modelos académicos como CROMA y Panopticon. La evaluación cubrió clasificación de imágenes, detección de objetos y cambios, segmentación y predicciones sobre imágenes individuales y series temporales.

También comparó OlmoEarth con AlphaEarth Foundations, de Google DeepMind. Como Google publicó representaciones ya procesadas, pero no el modelo completo, la comparación no fue idéntica. En tres tareas, OlmoEarth quedó igual o por encima usando esas representaciones directamente. Al ajustarlo para cada tarea, superó a AlphaEarth de forma amplia, según Ai2.

Qué puede hacer en la práctica

El modelo se ha probado en problemas concretos, como detectar las causas de la deforestación en la Amazonía, localizar pérdidas de manglar, estimar el riesgo de incendios en Norteamérica, identificar cultivos de pequeños agricultores en África subsahariana y detectar embarcaciones en alta mar.

Eso puede traducirse en decisiones más rápidas y mapas más precisos para:

• Saber qué se cultiva y dónde, para dirigir mejor las ayudas agrícolas.
• Estimar la sequedad de la vegetación y mejorar los mapas de riesgo de incendios.
• Reducir falsas alarmas y embarcaciones no detectadas en tareas marítimas.
• Priorizar zonas para restauración, protección de hábitats o inspecciones sobre el terreno.

El beneficio no está solo en acertar más. Ai2 sostiene que, al competir con modelos especializados de mayor tamaño, OlmoEarth puede reducir el coste de análisis y permitir que las organizaciones actualicen sus mapas con más frecuencia.

Entrenado con datos incompletos del mundo real

OlmoEarth se entrenó con aproximadamente 10 terabytes de datos y millones de muestras de distintas regiones del planeta, ajustadas a una resolución uniforme de 10 metros por píxel. Puede utilizar hasta 12 observaciones mensuales, aunque muchas muestras no tienen todos los meses o sensores disponibles.

Para aprender, el modelo oculta partes de las imágenes e intenta reconstruirlas usando la información visible. Este método, combinado con datos de mapas y etiquetas menos precisas, le permite aprender patrones sin depender de que cada imagen haya sido revisada y clasificada manualmente.

Ai2 ha publicado los modelos, el código y los materiales de entrenamiento y evaluación como recursos abiertos. También ofrece OlmoEarth Platform, una plataforma para que organizaciones puedan ajustar los modelos a sus propios problemas sin contar con equipos especializados en IA.

Ya hay versiones adaptadas para clasificar manglares, cultivos, tierras agrícolas y combustible vegetal relacionado con incendios. La siguiente familia está en desarrollo y, según Ai2, llegará el próximo año con datos meteorológicos y aplicaciones para respuesta humanitaria.

Para ti, la importancia está en que la IA no se limita a describir una imagen de satélite: puede comparar lugares y fechas, combinar señales distintas y producir alertas operativas. El próximo punto a vigilar será comprobar cómo funcionan estos modelos fuera de los conjuntos de prueba y cuánto cuesta mantenerlos actualizados en regiones donde los datos son escasos o irregulares.