Ai2 rilascia OlmoEarth V1.3 con embedding satellitari globali a 10 m

Il 22 ottobre 2026, l’Allen Institute for AI ha rilasciato OlmoEarth v1.3, un modello aperto di embedding satellitari corredato da embedding annuali precomputati per l’intero pianeta a una risoluzione di 10 metri e da OlmoEarth Embeddings Explorer, uno strumento consultabile dal browser che non richiede l’accesso a un account.

Il rilascio comprende il modello OlmoEarth v1.3 Base, embedding globali precomputati in versioni a 128 e 64 dimensioni, Explorer e un rapporto tecnico, tutti distribuiti con la OlmoEarth Artifact License, già utilizzata per OlmoEarth v1 e v1.2. In precedenza, usare OlmoEarth significava eseguire il fine-tuning in OlmoEarth Studio, operazione che richiedeva l’accesso a una GPU e l’archiviazione locale delle immagini; i modelli di embedding, invece, comprimono i dati satellitari in caratteristiche pronte all’uso e riutilizzabili per numerose attività.

Secondo la scheda del modello, OlmoEarth-v1_3-Base è un modello fondazionale ViT-Base con 128 milioni di parametri, progettato per il telerilevamento di immagini o serie temporali di immagini Sentinel-1, Sentinel-2 e Landsat. Comprende anche un Perceiver con 14,3 milioni di parametri e un modello lineare di dimensioni ridotte con 0,1 milioni di parametri, che proietta token a 768 dimensioni in 128 dimensioni; la scheda specifica che questo modello, compreso il modello di dimensioni ridotte, ha generato gli embedding annuali globali di OlmoEarth.

Come il modello genera gli embedding

OlmoEarth v1.3 elabora un anno di serie temporali di dati radar Sentinel-1 e dati multispettrali Sentinel-2 e Landsat e genera un vettore a 128 dimensioni per ogni pixel terrestre di 10 metri; le prime 64 dimensioni possono essere utilizzate anche da sole, come embedding più piccolo. Un trasformatore visivo elabora i dati satellitari, un Attention Pooler aggrega i token di output in un vettore per ogni porzione di territorio e un livello lineare riduce quel vettore a 128 valori. Il rapporto tecnico descrive una distillazione in stile Matryoshka, in cui il modello di dimensioni ridotte è costituito da un singolo livello lineare, addestrato insieme alla rete di base nella stessa passata in avanti: secondo il rapporto, questo rende la distillazione praticamente gratuita.

Il rapporto afferma che eseguire il trasformatore visivo e l’Attention Pooler con una risoluzione dell’encoder di 20 metri e un output di 10 metri costa 7,7 volte meno che eseguire il trasformatore a una risoluzione di 10 metri: 308 contro 2.378 GMAC per finestra. L’addestramento ha utilizzato gli stessi dati e la stessa procedura di OlmoEarth v1.2: osservazioni di Sentinel-1, Sentinel-2 e Landsat-8, con mappe di riferimento quali WorldCover, WorldCereal, SRTM e OpenStreetMap, e l’ottimizzatore AdamW, con una dimensione del batch di 512 per 667.200 passaggi.

Risultati dei benchmark e dataset PLANTEUR

Ai2 riferisce di aver valutato gli embedding di v1.3 confrontandoli con AlphaEarth Foundations e Tessera v2 in 27 valutazioni distribuite su sei continenti; gli embedding a 128 dimensioni hanno ottenuto il punteggio più alto in 20 valutazioni su 27, mentre la versione a 64 dimensioni si è classificata al primo posto in 18 su 27. Il rapporto tecnico afferma che gli embedding a 128 dimensioni hanno superato entrambi i modelli di riferimento in 7 degli 8 dataset AEF (l’eccezione è stata l’Etiopia, dove Tessera v2 ha superato OlmoEarth v1.3) e hanno ottenuto risultati leggermente migliori di Tessera v2 sul dataset PASTIS per la classificazione dei tipi di coltura: 58,6 contro 58,3 mIoU.

Insieme al rilascio, Ai2 ha presentato PLANTEUR, un benchmark per la classificazione dei tipi di coltura nell’agricoltura tropicale, basato su etichette raccolte nei territori francesi d’oltremare: Martinica, Riunione, Guyana francese, Guadalupa e Mayotte. La sua configurazione «leave-one-island-out» valuta le prestazioni su un’isola quando i classificatori sono addestrati sulle altre; secondo Ai2, gli embedding di v1.3 si generalizzano meglio ai luoghi mai incontrati dal classificatore. Il rapporto riporta un valore di 24,9 mIoU per gli embedding a 128 dimensioni secondo questa misura «leave-one-island-out», contro 19,1 per Tessera v2 e 15,8 per AlphaEarth Foundations.

Ai2 descrive inoltre v1.3 come un modello efficace per il fine-tuning, con prestazioni pari a quelle di v1.2 sulle etichette di ricerca e dei partner; il rapporto assegna a v1.3 un piazzamento medio di 4,34 nel fine-tuning, considerando tutti i modelli e le attività valutati, dietro a OlmoEarth v1.2 Base, con 4,02, e davanti a OlmoEarth v1 Base, con 4,74.

Costi di addestramento e impatto ambientale

Ai2 definisce OlmoEarth v1.3 il modello OlmoEarth meno costoso da addestrare: richiede il 53% del tempo di calcolo di v1.2 e il 18% di quello di v1, con emissioni di carbonio pari rispettivamente al 50% e al 22%. Ai2 stima che riprodurre il preaddestramento di OlmoEarth v1.3 Base costerebbe circa 2.720 $ di tempo di calcolo H100 noleggiato per l’esecuzione finale.

La tabella sull’impatto ambientale del rapporto indica per il preaddestramento di OlmoEarth v1.3 Base 539 ore GPU H100, 161 kWh e 0,07 tCO2eq, a fronte di 1.012 ore GPU e 0,14 tCO2eq per v1.2 Base e di 2.989 ore GPU e 0,32 tCO2eq per v1 Base. Il calcolo degli embedding è molto più oneroso: il rapporto stima che la generazione di un anno di embedding globali richieda circa 14.000 ore H100, approssimativamente 26 volte il costo del preaddestramento.

Archivio globale, Explorer e licenze

L’archivio alla base di Explorer contiene embedding con una risoluzione di 10 metri, per un totale di circa 150 TB all’anno, e copre le terre emerse e le acque costiere adiacenti. Al lancio, gli anni 2025, 2024 e 2023 sono coperti a livello globale, mentre dal 2017 al 2022 sono disponibili dati per alcuni Paesi; la copertura è in corso di ampliamento. Il rapporto stima che il dataset completo dal 2017 al 2025 superi ampiamente un petabyte, copra l’area compresa tra 59,5 gradi di latitudine sud e 83,6 gradi di latitudine nord ed escluda l’Antartide; afferma inoltre che l’inferenza di Searchlight ha eliminato gli artefatti di suddivisione in tasselli dagli embedding rilasciati.

Gli embeddings sono ospitati su Source Cooperative in un archivio Zarr, leggibile direttamente dall’object storage con qualsiasi client Zarr, senza bisogno di una chiave API né di un server di tile. Le tabelle aperte di provenienza, pubblicate in formato GeoParquet, elencano le scene Sentinel-1, Sentinel-2 e Landsat alla base di ogni tassello di 20 chilometri e per ciascun anno; per il 2025, il rapporto registra circa 450.000 finestre, 21 milioni di voci del mosaico e 730.000 scene.

Explorer visualizza gli embeddings su una mappa del pianeta a falsi colori. Gli utenti possono passare da un anno all’altro, visualizzare le immagini Sentinel-2 sottostanti, fare clic su un luogo per trovare posti simili, addestrare un piccolo classificatore a partire da una manciata di punti etichettati ed esportare il risultato come GeoTIFF, senza bisogno di un account. L’annuncio di Ai2 illustra l’approccio con il caso dell’estrazione illegale di oro nella regione di Madre de Dios, in Perù: il post afferma che l’attività mineraria intorno a La Pampa ha raggiunto il picco nel 2017 e nel 2018 e che l’Operazione Mercurio del Perù ne ha interrotta la maggior parte nel febbraio 2019; aggiunge inoltre che i confronti tra gli embeddings del 2017–2020 e quelli del 2020–2025 mostrano l’espansione precedente e i cambiamenti proseguiti nella vecchia area mineraria. Il post aggiunge che il Perù ha inviato nuovamente pattuglie della marina nella riserva nell’agosto 2026, dopo che i procuratori avevano accertato che l’attività mineraria si era estesa fin dentro la stessa Tambopata.

Per le attività che richiedono una finestra temporale specifica, OlmoEarth Studio esegue lo stesso modello sulle date, modalità e risoluzione scelte dall’utente; un tutorial mostra come generare embeddings usando le proprie risorse di calcolo. Il rapporto tecnico afferma che la OlmoEarth Artifact License limita l’uso per applicazioni militari, legate alla difesa e all’industria estrattiva; la scheda del modello aggiunge che il modello è destinato a essere utilizzato in conformità con le Ai2 Responsible Use Guidelines.