Beyond AlphaEarth: Toward Human-Centered Geospatial Foundation Models via POI-Guided Contrastive Learning

Resumen Técnico: AETHER

1. Planteamiento del Problema

Los modelos fundacionales geoespaciales (GFMs) recientes, como AlphaEarth (AE), han logrado generar representaciones espaciales extensas (incrustaciones de 10 m de resolución) derivadas de datos de Observación de la Tierra (EO) multifuente. Estas representaciones capturan eficazmente patrones físicos, espectrales y ambientales del terreno.

Sin embargo, existe una brecha crítica al aplicar estos modelos a contextos urbanos:

• Falta de Semántica Humana: Las incrustaciones de AE codifican principalmente señales físicas y espectrales, pero carecen de información sobre actividades humanas, estructuras institucionales y funciones urbanas (ej. qué es un lugar, no solo cómo se ve).
• Baja Accesibilidad Lingüística: Aunque algunos GFMs incorporan cierta supervisión lingüística, sus representaciones están débilmente alineadas con la semántica del lenguaje natural. Esto dificulta interpretar o consultar las representaciones aprendidas mediante preguntas en lenguaje natural.
• Limitación de los POI: Los Puntos de Interés (POI) ofrecen semántica centrada en el ser humano, pero carecen de estructura espacial explícita y tienen una distribución desigual.

Pregunta de investigación: ¿Cómo se pueden alinear las representaciones físicas basadas en EO con señales semánticas centradas en el ser humano derivadas de POIs para producir representaciones espaciales que sean tanto funcionalmente expresivas como accesibles mediante lenguaje?

2. Metodología: El Marco AETHER

Los autores proponen AETHER (AlphaEarth–POI Enriched Representation Learning), un marco ligero de alineación contrastiva multimodal que adapta las incrustaciones de AlphaEarth para el análisis urbano centrado en el humano.

Componentes Clave:

1. Codificador de Texto (POI):
   • Utiliza un modelo de lenguaje preentrenado (LM) para codificar descripciones textuales enriquecidas de los POIs (combinando nombre, categoría principal y subcategoría).
   • Proyecta estas incrustaciones textuales a un espacio latente compartido mediante un proyectador lineal ligero.
2. Codificador de AlphaEarth (AE):
   • Extrae las incrustaciones de AE (64 dimensiones) alrededor de la ubicación de cada POI.
   • Aplica un agrupamiento multiescala: define una vista base (ventana cuadrada pequeña) y una vista aumentada (ventana más grande) para capturar el contexto espacial y mitigar el ruido.
   • Proyecta estas características espaciales agregadas al mismo espacio latente compartido.
3. Módulo de Alineación Contrastiva:
   • Optimiza un espacio latente compartido mediante dos funciones de pérdida contrastiva simétricas:
     • Alineación Intermodal (AE-POI): Alinea las incrustaciones de AE con las incrustaciones textuales de los POIs correspondientes (supervisión semántica).
     • Consistencia Intra-modal (AE-AE): Asegura que las vistas base y aumentada de la misma ubicación produzcan representaciones consistentes (regularización espacial).
   • La función de pérdida total es una combinación ponderada: $L = \lambda L_{AA} + (1-\lambda) L_{AP}$.

Inferencia:
Tras el entrenamiento, solo se retiene el proyectador de AE. Esto permite generar incrustaciones espaciales semánticamente enriquecidas para toda la ciudad (sin necesidad de POIs en cada punto), las cuales pueden usarse para tareas supervisadas o para búsqueda espacial condicionada por lenguaje natural.

3. Contribuciones Principales

1. Puente entre EO y Semántica Urbana: Es el primer marco que conecta incrustaciones de AlphaEarth (basadas en física) con señales semánticas centradas en el humano mediante alineación contrastiva guiada por POIs.
2. Marco de Alineación Multimodal Ligero: Propone un mecanismo eficiente que agrega incrustaciones a múltiples escalas espaciales y las alinea con texto, logrando una representación híbrida.
3. Mejora de la Interpretabilidad: Hace que el espacio de incrustaciones sea interpretable mediante lenguaje natural, permitiendo la recuperación espacial de "vocabulario abierto" (open-vocabulary) sin supervisión específica para la tarea.
4. Validación Empírica Exhaustiva: Demostración de rendimiento de vanguardia en dos ciudades (Londres y Singapur) y cuatro tareas diversas.

4. Resultados Experimentales

El modelo se evaluó en Londres (Reino Unido) y Singapur en cuatro tareas:

• Clasificación de Uso de Suelo (LUC): Clasificación discreta.
• Mapeo de Distribución Socioeconómica (SDM): Modelado de composición (Londres).
• Mapeo de Distribución de Uso de Suelo (LUD): Composición proporcional (Singapur).
• Predicción de PIB: Regresión escalar (Singapur).

Hallazgos Cuantitativos:

• Rendimiento Superior: AETHER superó consistentemente a todos los baselines (incluyendo AlphaEarth puro, CaLLiPer, SatCLIP y modelos basados solo en POI).
• Mejoras Relativas: Las mejoras oscilaron entre un 4.5% y un 21.9% respecto a los mejores modelos base.
  • En tareas sociales (como la distribución socioeconómica y el PIB), las ganancias fueron mayores (ej. reducción del 28.7% en la divergencia KL para SDM en Londres), indicando que la alineación compensa la falta de semántica en los datos EO originales.
  • En tareas físicas (clasificación de uso de suelo), AETHER mantuvo un alto rendimiento, demostrando que la alineación semántica complementa, no reemplaza, la información morfológica.

Análisis Espacial y Visualización:

• Las visualizaciones PCA mostraron que AETHER reorganiza el espacio de incrustaciones, creando una estructura más diferenciada y coherente que AlphaEarth puro (que tiende a bloques homogéneos) o modelos solo de POI (que carecen de detalle morfológico).
• Propagación Semántica: Las mejoras no se limitan a las zonas densas de POIs; la alineación semántica se propaga a través del campo de incrustaciones continuas, mejorando la predicción en áreas periféricas y suburbanas.

Recuperación Espacial por Lenguaje Natural:

• El modelo permite consultas como "Parque Verde" o "Centro de Negocios".
• Resultados Cualitativos: Los mapas de similitud generados localizan con precisión parques, distritos financieros y aeropuertos, capturando tanto el significado semántico como los contornos espaciales.
• Resultados Cuantitativos: En la métrica Recall@Top-k%, AETHER superó significativamente a los baselines (ej. 54.56% de recuperación para "Arte y Antigüedades" en el Top 1%, frente al 16.39% de CaLLiPer).

5. Significado e Impacto

• Hacia Modelos Fundacionales Accesibles: AETHER demuestra que es posible transformar modelos fundacionales geoespaciales puramente físicos en representaciones accesibles mediante lenguaje natural, un paso crucial hacia la interacción humano-AI en sistemas de información geográfica (SIG).
• Complementariedad de Datos: El trabajo valida que la integración de señales EO (completitud espacial y contexto morfológico) y POI (significado funcional y actividad humana) es esencial para una comprensión urbana integral.
• Eficiencia: El modelo es extremadamente ligero (0.17M de parámetros entrenables) y eficiente en tiempo de entrenamiento, lo que facilita su escalabilidad.
• Aplicaciones Futuras: Abre nuevas vías para la planificación urbana, la evaluación de accesibilidad a infraestructuras y la exploración interactiva de entornos urbanos mediante descripciones de lenguaje natural.

En conclusión, AETHER establece un nuevo paradigma en el aprendizaje de representaciones geoespaciales, superando la barrera entre la observación remota física y la semántica humana, permitiendo que las máquinas "entiendan" y "consulten" la ciudad no solo por su forma, sino por su función.