Los ingenieros de Google DeepMind han presentado el modelo de inteligencia artificial AlphaEarth Foundations, capaz de generar una representación digital de la superficie terrestre con una resolución de 10×10 metros —no para mostrarla visualmente, sino para interpretarla automáticamente. En lugar de imágenes, el programa produce lo que se conoce como embeddings —vectores numéricos que codifican las propiedades de cada punto del planeta y permiten su análisis sin necesidad de etiquetado manual.
AlphaEarth fue entrenada utilizando enormes volúmenes de datos de teledetección, incluidos imágenes satelitales y otros tipos de observaciones. El resultado del sistema son vectores multidimensionales que reflejan las características de zonas terrestres y costeras, teniendo en cuenta el clima, las estaciones y el relieve. No se trata de imágenes en el sentido tradicional, sino de representaciones estructuradas diseñadas para ser procesadas por otros modelos de IA y herramientas analíticas.
Cada embedding cubre un área de 100 m² y contiene 64 parámetros numéricos que describen dicho fragmento. Estos atributos se agregan a partir de fuentes heterogéneas y constituyen una caracterización generalizada del área durante un año. Este formato permite seguir la dinámica de los cambios, clasificar territorios por similitud y detectar patrones —todo sin intervención humana.
Una de las principales aplicaciones de AlphaEarth será Google Earth Engine —plataforma de análisis geoespacial utilizada en monitoreo ambiental, planificación agrícola, gestión forestal y administración de recursos hídricos. El sistema ya ha demostrado su utilidad en tareas como evaluación del impacto de la deforestación, análisis de sequías y cálculo del consumo de agua por centros de datos que alimentan grandes infraestructuras de IA. Gracias a su representación vectorial, es posible encontrar zonas similares, construir mapas temáticos y seguir transformaciones sin necesidad de clasificaciones manuales.
Los desarrolladores subrayan que, en comparación con modelos anteriores —SatMAE (2022) y SatCLIP (2025)— AlphaEarth ofrece una precisión y un rendimiento notablemente superiores. Esto se logró mediante varias soluciones arquitectónicas: la integración de datos de distintas fuentes en un único esquema, la incorporación de factores estacionales y una alta resolución espacial. Según las pruebas, el modelo requiere 16 veces menos memoria y presenta un 24 % menos de error.
Junto con el lanzamiento de AlphaEarth, la compañía presentó el conjunto de datos abierto Satellite Embedding Dataset —una base estructurada de embeddings generados por el modelo. Está disponible para investigadores, desarrolladores y equipos científicos que podrán emplear estos vectores en sus propios sistemas analíticos. Resultará especialmente útil allí donde sea necesario unificar datos provenientes de distintas fuentes —por ejemplo, en la creación de modelos climáticos, análisis agrícolas o predicción de riesgos.
El profesor de geoinformática y arquitectura del paisaje de la Universidad Estatal de Iowa, Christopher Seeger, comentó a los medios que la integración de fuentes dispares en un espacio analítico común es una tarea extremadamente costosa en términos de recursos. Según él, AlphaEarth facilita esta labor y permite cubrir grandes superficies, sin limitarse a puntos individuales.
Lo que más impresionó al público fue la resolución espacial: la segmentación de la superficie terrestre en celdas permite analizar datos no solo a escala global, sino también a nivel regional. Seeger también destacó la importancia de la verificación: comprobar la precisión del modelo mediante mediciones de campo ayuda a evitar errores que suelen surgir al trabajar únicamente con simulaciones.