--- type: Article title: "AlphaEarth Foundations" description: "Com petabytes de dados sendo gerados por satélites, está cada vez mais difícil transformar essa \"enxurrada\" de imagens em informações acionáveis (legitimamente úteis)." resource: https://felipecferreira.com.br/biblioteca/alphaearth-foundations/ generated: { by: process:okf-bridge, at: 2026-09-03T01:38:42Z } status: stable sources: - id: canonical-html resource: https://felipecferreira.com.br/biblioteca/alphaearth-foundations/ title: "Página oficial em HTML" last_modified: 2026-07-28T17:33:35Z --- # AlphaEarth Foundations Com petabytes de dados sendo gerados por **satélites**, está cada vez mais difícil transformar essa "enxurrada" de imagens em **informações acionáveis** (legitimamente úteis). **Dados em excesso** e rótulos de qualidade escassa são o paradoxo atual da geociência. A **DeepMind** propõe então resolver isso com uma abordagem bastante ousada: AlphaEarth Foundations, um [modelo](https://felipecferreira.com.br/biblioteca/o-que-sao-llms-large-language-models/) de "embedding field" que promete redefinir a maneira como mapeamos o planeta Terra. Você pode acessar o paper na íntegra, [clicando aqui](https://arxiv.org/pdf/2507.22291). ## Por que isso importa: o desafio de transformar observações em conhecimento Se você trabalha com monitoramento ambiental, gestão de recursos naturais, agricultura de precisão ou planejamento urbano, sabe que os **mapas são instrumentos decisivos** para tomada de decisão. O problema é que dados não são mapas. Mesmo com imagens diárias de satélites como **Sentinel-2 ou Landsat-9**, a maior parte dos modelos de mapeamento depende de observações pontuais ou rótulos localizados. Ou seja: sabemos pouco sobre muito. O AlphaEarth Foundations (AEF) ataca justamente esse problema: *Como gerar representações universais, generalistas e compactas do planeta, mesmo com poucos rótulos?* ## O que é o AlphaEarth Foundations, na prática? O **AEF** é um modelo de featurização de imagens de observação da Terra (EO) que gera **campos de embedding** com alta resolução espacial (10m) e informativamente densos. Esses embeddings funcionam como uma espécie de **"resumo codificado" do planeta** em um dado intervalo de tempo, permitindo inferências, predições e aplicações em diversos domínios. O que diferencia o AEF de outras abordagens anteriores, como SatCLIP, Clay, Prithvi ou MOSAIKS, é que ele: * Lida com **tempo como variável contínua**; * Suporta **múltiplas fontes de dados** (Sentinel, GEDI, GRACE, Wikipedia, etc); * Usa um encoder chamado **STP** (Space Time Precision) que combina autoatenção temporal e espacial com convoluções e pirâmides laplacianas; * Gera representacoes compactas: cada embedding tem apenas **64 bytes**; * Alinha embeddings com textos e metadados para usos multimodais. ## Visualizando o AlphaEarth Foundations na prática A imagem abaixo nos ajuda a entender como o **AlphaEarth Foundations (AEF)** transforma imagens de satélite em representações vetoriais úteis para análise e inferência. *Fonte: Brown et al (2025, p.2).* **C — Visão global** A Terra é representada com cores derivadas dos vetores do modelo AEF para o ano de 2023. Mesmo em escala planetária, é possível perceber padrões climáticos e ecológicos, como se estivéssemos vendo não só o planeta, mas uma espécie de “assinatura vetorial da paisagem”. **D — Resolução local** Ao dar zoom em uma região de Oaxaca, no México, vemos que o modelo trabalha com resolução de até **10 metros quadrados por pixel**, uma granularidade altíssima. Cada cor dessa imagem representa uma combinação de três dimensões específicas do vetor de embedding: A12 (vermelho), A23 (verde) e A52 (azul). **E — Campo vetorial embutido** Cada pixel da imagem é, na verdade, um vetor de 64 dimensões (chamadas A0 a A63). Juntas, essas dimensões formam o chamado campo de embedding, onde cada vetor é um ponto no espaço de uma esfera unitária de 63 dimensões. Essa representação abstrata permite que algoritmos simples, como k-NN (K-Nearest Neighbors) ou **regressão linear**, façam inferências complexas sobre uso do solo, clima ou vegetação. ## Exemplos de aplicação: do agro à biodiversidade A equipe da DeepMind desenvolveu uma suite de **15 testes práticos com datasets reais** e variados, como: * Classificação de uso e cobertura da terra (LCMAP, GLaNCE); * Identificação de culturas agrícolas na África e no Canadá; * Detecção de mudança de uso da terra (ex: desmatamento); * Estimação de variáveis biofísicas como evapotranspiração e emissividade. O modelo **superou todos os benchmarks** em todos os cenários: desde situações com 300 exemplos por classe até casos extremos de few-shot learning (com apenas 1 ou 10 amostras). Na prática, isso significa que é possível aplicar modelos simples (como k-NN ou regressão linear) diretamente sobre os embeddings, com resultados superiores aos obtidos com outros métodos mais complexos. *Simplesmente um Show! s2* ## Dataset Global de Embeddings: acesso público e pronto para uso Para facilitar a adoção, a DeepMind liberou os **campos de embedding anuais de 2017 a 2024** através do Google Earth Engine. Cada layer representa um "mapa comprimido" com representações vetoriais que podem ser usados diretamente por pesquisadores e profissionais de diferentes áreas. O modelo também foi otimizado para ser leve e acessível: os embeddings são quantizados para 8 bits (sem perda significativa de qualidade), o que **reduz em 4x o tamanho** e facilita o armazenamento e a transmissão. ## Considerações finais: um novo paradigma para observação da Terra O AlphaEarth Foundations abre uma nova categoria: a dos **modelos fundacionais geoespaciais**. Assim como os **LLMs** estão transformando o acesso à linguagem, modelos como o AEF prometem democratizar o uso de dados de satélite e outras fontes ambientais. Com ele, pequenos conjuntos de dados anotados passam a ser suficientes para gerar **mapas precisos em escala global**. E isso tem impacto direto na forma como lidamos com mudanças climáticas, agricultura, gestão hídrica e biodiversidade. É um avanço técnico, mas também "filosófico": passamos a representar o planeta não mais como pixels isolados, mas como **campos vetoriais vivos**, que integram tempo, espaço, sensores e semântica. Se você curte engenharia, deve estar babando, assim como eu (risos). Fique atento e nos acompanhe caso queira estar na fronteira dos desenvolvimentos com [Inteligência Artificial](https://felipecferreira.com.br/biblioteca/o-que-e-inteligencia-artificial/). A Tecnologia não vai retroceder, não ignore IA!