Un modelo de IA ya resume un año completo de datos satelitales del planeta en 64 números por cada 10 metros

Un modelo de inteligencia artificial de Google DeepMind ya toma un año completo de observaciones satelitales de cualquier punto del planeta (imágenes ópticas, radar, LiDAR, clima, elevación) y lo comprime en un solo vector de 64 números por cada parche de 10 por 10 metros. Se llama AlphaEarth Foundations y, desde julio de 2025, esos resúmenes ya están disponibles como capa de datos en Google Earth Engine para cualquier equipo que quiera usarlos, incluidos los de conservación.

Por qué esto no es solo otra herramienta de teledetección

Hasta ahora, analizar un territorio con satélite significaba escoger de antemano qué se iba a medir (cobertura de bosque, humedad del suelo, tipo de cultivo) y entrenar o ajustar un modelo específico para esa tarea, con su propio set de datos etiquetados. Un modelo fundacional geoespacial invierte el orden: primero comprime toda la información disponible de un lugar en una representación genérica y reutilizable, y solo después alguien decide para qué tarea la va a usar, muchas veces con una cantidad de datos de entrenamiento mucho menor que la que exigiría empezar desde cero.

Esto no es exclusivo de Google: Prithvi-EO-2.0 (IBM y NASA) y Clay son otros dos modelos fundacionales de observación terrestre publicados en los últimos dos años, y comparten la misma lógica de fondo. AlphaEarth es, por ahora, el que reporta mejor desempeño frente a los otros dos en las pruebas comparativas publicadas por su propio equipo en arXiv el 29 de julio de 2025, aunque conviene leer esa comparación con la cautela habitual hacia resultados que el mismo equipo que construyó el modelo reporta sobre sí mismo.

Qué hay adentro del modelo

El artículo técnico de Brown et al. describe una arquitectura que combina atención espacial (al estilo de los transformers de visión) con atención temporal para alinear observaciones del mismo lugar en distintos momentos del año. Lo que la distingue no es un solo tipo de dato, sino cuántas fuentes distintas fusiona en un mismo vector:

Tipo de dato	Fuente
Óptico	Sentinel-2, Landsat 8/9
Radar	Sentinel-1, ALOS-PALSAR-2
LiDAR	GEDI (NASA)
Clima	ERA5-Land
Topografía	Copernicus DEM
Temático	GBIF, coberturas de referencia (NLCD)

El modelo se entrenó con 3.000 millones de fotogramas de observación sobre 5 millones de sitios distribuidos globalmente, usando 512 nodos de cómputo TPU v4 de Google. El resultado, según el equipo que lo desarrolló, reduce hasta en un 24% el error promedio frente a otros sistemas de mapeo evaluados, y ocupa 16 veces menos espacio de almacenamiento que representaciones equivalentes de otros modelos.

Lo que ya está documentado: para qué se ha usado

El propio artículo técnico y el blog de Google reportan evaluaciones en tareas concretas: clasificación de cobertura y uso del suelo, detección de cambios (con una precisión balanceada superior al 78-79% en las pruebas reportadas), monitoreo de cultivos agrícolas, y mapeo de composición de especies forestales en Estados Unidos como caso específico de "mapeo de biodiversidad". Google también documenta su uso para clasificar ecosistemas que hasta ahora carecían de mapas de referencia confiables, como zonas costeras y desiertos hiperáridos, y para monitorear deforestación en la Amazonía.

Lo que todavía es hipótesis para Colombia

Todo lo anterior ya existe y está documentado. Lo que sigue no: ningún caso publicado hasta ahora aplica AlphaEarth Foundations, ni un modelo fundacional geoespacial equivalente, a un proyecto de conservación en Colombia. La posibilidad es razonable de plantear, no un hecho ya ocurrido: si el modelo ya distingue composición de especies forestales en Estados Unidos a partir de su embedding genérico, podría en teoría usarse como capa base para clasificar ecosistemas poco mapeados en el país (páramos, bosques secos, humedales interiores) sin necesidad de entrenar un modelo desde cero para cada tipo de cobertura, algo que hoy exige tiempo y datos etiquetados que muchos equipos de conservación simplemente no tienen. También permitiría, en teoría, comparar el mismo punto del territorio año a año usando el mismo vector estandarizado, en vez de reconciliar métodos de análisis distintos cada vez que cambia el sensor o el proveedor de imágenes.

Nada de esto está resuelto todavía. El propio equipo de AlphaEarth reconoce que su cobertura de entrenamiento corresponde a apenas 1,1% del área terrestre del planeta, y que el desempeño reportado proviene de 15 conjuntos de datos públicos que no necesariamente representan la diversidad de ecosistemas tropicales de montaña que predominan en buena parte de Colombia. Que el modelo funcione bien clasificando especies forestales en Estados Unidos no garantiza que funcione igual de bien diferenciando un bosque de niebla andino de un bosque subandino intervenido, tarea que sí exige literatura de referencia local para validarse.

Qué significa esto para quien diseña un monitoreo hoy

La pregunta práctica no es si conviene reemplazar el trabajo de campo por un embedding genérico (no lo reemplaza: sigue haciendo falta literatura de referencia local, verificación en terreno y series de datos anuales para calibrar cualquier modelo fundacional a un ecosistema concreto). La pregunta es si, al diseñar un sistema de monitoreo satelital nuevo, tiene sentido seguir entrenando modelos especializados desde cero para cada tarea, o si conviene empezar a evaluar si una representación ya entrenada globalmente reduce ese costo inicial, aunque haya que validarla localmente antes de confiar en ella.

Cierre

Que un modelo pueda resumir un año entero de observación satelital de cualquier punto del planeta en 64 números no lo convierte, todavía, en una herramienta lista para diferenciar ecosistemas colombianos sin ayuda humana. Lo que sí cambia es la pregunta de partida para quien diseña un sistema de monitoreo: ya no es solo qué sensor usar, sino si conviene apoyarse en una representación entrenada con datos de todo el planeta antes de construir algo específico desde cero.