OlmoEarth v1.3 abre embeddings globais de satélite para análises ambientais

A Allen Institute for AI (Ai2) lançou em 22 de outubro de 2026 o OlmoEarth v1.3, um modelo de embeddings para imagens de satélite acompanhado de vetores pré-calculados para o planeta e de um explorador de mapas no navegador. A principal mudança é prática: em vez de exigir que cada equipe baixe imagens, tenha GPU e faça fine-tuning para criar um mapa, a versão entrega representações prontas que podem alimentar classificadores menores para tarefas como monitoramento de lavouras, mudanças no uso do solo e danos por incêndios.

O anúncio foi publicado pela Ai2 no Hugging Face e inclui pesos, dados de pré-treinamento e código. A organização afirma que a versão de 128 dimensões liderou 20 de 27 avaliações contra AlphaEarth Foundations e Tessera v2; a versão compacta, de 64 dimensões, liderou 18. Os resultados são uma comparação técnica relevante, mas precisam ser interpretados como benchmarks: desempenho em uma avaliação global não substitui validação em uma região, cultura agrícola ou decisão operacional específica.

O que foi lançado

• OlmoEarth v1.3 Base: modelo de embeddings para séries temporais de imagens de radar e multiespectrais.
• Embeddings pré-calculados: vetores anuais de 64 e 128 dimensões para pixels de 10 metros, distribuídos pela Source Cooperative.
• OlmoEarth Embeddings Explorer: ferramenta web para comparar anos, encontrar áreas semelhantes, rotular pontos e exportar resultados como GeoTIFF.
• Recursos abertos: pesos, código e dados de pré-treinamento, sob a OlmoEarth Artifact License.

Como o modelo transforma imagens de satélite em dados reutilizáveis

Um embedding é uma representação numérica compacta de características que um modelo aprendeu ao analisar dados. No caso do OlmoEarth v1.3, o sistema lê uma série anual de dados do radar Sentinel-1 e de imagens multiespectrais Sentinel-2 e Landsat. A saída é um vetor de 128 números para cada pixel de 10 metros; os primeiros 64 componentes também podem ser usados separadamente quando tamanho e custo importam mais.

Essa abordagem muda a ordem do trabalho. Em um fluxo convencional, uma equipe define uma tarefa, reúne imagens, treina ou ajusta um modelo e então gera um mapa. Com embeddings já calculados, ela pode começar com vetores que condensam padrões visuais e temporais do território, adicionar rótulos locais e treinar um classificador mais leve. Isso não elimina o conhecimento de domínio: a qualidade do resultado continua dependendo dos rótulos, da definição da classe, da época observada e da validação no campo.

O que os benchmarks divulgados indicam — e o que não indicam

A Ai2 compara o OlmoEarth v1.3 a AlphaEarth Foundations (AEF) e Tessera v2 em 27 avaliações que cobrem seis continentes e várias tarefas. Segundo a organização, o embedding de 128 dimensões obteve a maior pontuação em 20 avaliações e a variante de 64 dimensões em 18. A versão também introduz o PLANTEUR, benchmark de tipos de cultura em agricultura tropical, e reporta melhor generalização para lugares que não apareceram no treinamento de um classificador.

Há dois cuidados essenciais. Primeiro, “melhor em 20 de 27” não diz que o modelo será melhor em toda aplicação. Uma tarefa de detecção de áreas queimadas, por exemplo, pode ter requisitos de sazonalidade e referência terrestre muito diferentes de uma tarefa de classificação de culturas. Segundo, os resultados vêm da própria equipe responsável pelo modelo. A publicação disponibiliza o relatório técnico e os artefatos para reprodução, mas validação independente será importante para avaliar estabilidade, vieses geográficos e desempenho fora dos conjuntos testados.

Mais eficiência no pré-treinamento

A Ai2 afirma que o OlmoEarth v1.3 usou 53% do tempo de computação necessário para a versão 1.2 e 18% do consumido pela primeira versão. A estimativa divulgada também aponta 50% e 22% das emissões de carbono das versões anteriores, respectivamente. Para uma execução final de pré-treinamento da variante Base, a organização estima cerca de US$ 2.720 em tempo alugado de GPUs H100.

Esses números ajudam a dimensionar um ponto frequentemente omitido em anúncios de modelos geoespaciais: pré-treinar um modelo de fundação continua caro, mesmo quando fica mais eficiente. A abertura dos pesos e dos embeddings transfere parte desse custo para a infraestrutura pública e reduz a necessidade de cada pesquisador ou empresa repetir o processo. Isso pode ampliar o acesso, mas o armazenamento e a movimentação de um acervo de aproximadamente 150 TB por ano ainda estão longe de ser triviais.

Do mapa global a uma pergunta local

O OlmoEarth Embeddings Explorer é a parte mais acessível do lançamento. A ferramenta permite navegar pelo mapa, alternar anos, checar a imagem Sentinel-2 que está por trás de uma área e marcar exemplos para treinar um classificador diretamente no navegador. A partir daí, o usuário pode exportar o resultado em GeoTIFF, formato comum em sistemas de informação geográfica.

A Ai2 usa a região de Madre de Dios, no Peru, como demonstração. Ao comparar vetores de 2017 a 2020 e de 2020 a 2025, o projeto observa sinais de expansão, interrupção e alterações posteriores em áreas associadas à mineração de ouro. O exemplo é didático, mas também mostra a limitação necessária: um embedding detecta mudança e similaridade; a explicação causal exige cruzamento com dados ambientais, trabalho de campo, dados oficiais e especialistas.

Aplicações possíveis para o Brasil

O Brasil tem uma das combinações mais relevantes para esse tipo de infraestrutura: grande extensão territorial, cadeias agrícolas diversas, pressão sobre biomas e ampla disponibilidade de dados orbitais públicos. Embeddings de escala continental podem acelerar protótipos para monitoramento de mudanças no uso do solo, recuperação de áreas degradadas, impacto de queimadas, mapeamento de culturas e priorização de inspeções.

Na agricultura, uma cooperativa ou laboratório pode usar amostras rotuladas de uma região para testar se consegue separar culturas, estágios de desenvolvimento ou padrões de estresse. Em gestão ambiental, órgãos e organizações podem procurar áreas que sofreram mudança semelhante à de uma área de referência. O ponto crítico é não converter um mapa experimental em decisão automática: cobertura de nuvens, calendário agrícola, topografia, qualidade de rótulos e diferenças entre biomas afetam a interpretação.

Limitações e questões em aberto

• A cobertura histórica é parcial. Os anos de 2023 a 2025 são globais no lançamento; 2017 a 2022 cobrem apenas países selecionados.
• Embedding não é classificação final. É preciso treinar, calibrar e testar modelos para a pergunta concreta.
• Resolução não substitui inspeção detalhada. Um pixel de 10 metros agrega informação e não resolve automaticamente objetos pequenos ou fronteiras precisas.
• Os dados têm custo operacional. Mesmo abertos, os arquivos globais exigem armazenamento, transferência e competência geoespacial.
• Benchmark não elimina avaliação independente. Métricas divulgadas pela equipe precisam ser verificadas em novos locais e aplicações.

Análise do NoticIA

O lançamento é mais importante pela distribuição do que apenas por uma nova marca de desempenho. Modelos geoespaciais costumam ser difíceis de usar porque o custo não está só na inferência: está no processamento de séries históricas, na montagem de mosaicos e na necessidade de repetir operações para cada projeto. Ao publicar embeddings já calculados e um explorador que permite testar hipóteses sem GPU, a Ai2 reduz a distância entre dado orbital e experimento inicial.

Para o Brasil, o ganho potencial aparece onde há capacidade de unir esse atalho computacional a conhecimento local. Uma ferramenta global pode ajudar a encontrar padrões; não deve definir sozinha desmatamento, produtividade, regularidade ambiental ou qualquer conclusão com consequência econômica e regulatória. A boa adoção será a que usar o modelo para priorizar investigação humana e dados complementares, não para substituir os dois.

Conclusão

O OlmoEarth v1.3 amplia o acesso a representações de satélite com resolução de 10 metros, dados e código abertos, além de uma interface que reduz a barreira de entrada. A promessa é encurtar a fase de exploração para projetos de agricultura, clima e uso do solo. O teste decisivo, porém, será fora dos benchmarks: em conjuntos de dados locais, com rótulos confiáveis, critérios claros e validação independente antes de transformar mapas em decisões.