Surface-to-subsurface inference via AlphaEarth: A shared foundation-model representation for diverse subsurface properties

Resumen Técnico: Inferencia de la superficie al subsuelo mediante AlphaEarth

Planteamiento del Problema
Inferir las propiedades del subsuelo a partir de observaciones de superficie es un desafío fundamental en las geociencias debido a la escasez, el costo y la distribución desigual de las mediciones directas del subsuelo (por ejemplo, sondeos, levantamientos sísmicos). Por el contrario, las observaciones de superficie son densas y se repiten temporalmente. Si bien las expresiones superficiales (geomorfología, litología, vegetación, humedad) suelen correlacionarse con las condiciones del subsuelo, estos vínculos son indirectos, no únicos y dependientes de la escala. El mapeo tradicional suele depender de proxies diseñados manualmente (por ejemplo, la pendiente topográfica para la velocidad sísmica), los cuales pueden fallar al no capturar contextos paisajísticos complejos y acoplados. Este estudio investiga si el embedding de un modelo fundacional de observación de la Tierra de propósito general puede servir como una representación geoespacial compartida y transferible para mejorar la inferencia de la superficie al subsuelo a través de distintos dominios físicos.

Metodología
Los autores utilizan AlphaEarth, un modelo fundacional geoespacial desarrollado por Google DeepMind. AlphaEarth produce un campo de embeddings globales de 64 dimensiones a una resolución de 10 m, aprendido a partir de datos de observación de la Tierra de múltiples fuentes (imágenes ópticas, radar, topografía, LiDAR, reanálisis climático y señales hidrológicas derivadas de la gravedad). El modelo no se reentrena; en su lugar, los vectores de embedding fijos se utilizan como características de entrada para modelos de regresión específicos de cada tarea.

El estudio evalúa este enfoque a través de dos aplicaciones distintas en los Estados Unidos contiguos (CONUS):

1. Velocidad Sísmica Superficial ($V_{S30}$): Predicción de la velocidad de onda de corte promedio en los primeros 30 metros.
   • Características: Embeddings de AlphaEarth utilizados solos, y en conjuntos híbridos con predictores convencionales (log-pendiente e un indicador binario de estatus tectónico).
   • Modelos: Regresión Lineal, Random Forest (RF) y XGBoost.
   • Validación: Divisiones aleatorias de entrenamiento/prueba de 80/20 y pruebas de extrapolación de "dejar un estado fuera" geográficamente retenido (California, Oregón, Washington).
2. Temperatura del Subsuelo: Reconstrucción de campos de temperatura a profundidades de 1,000–6,000 metros.
   • Características: Embeddings de AlphaEarth como el descriptor geoespacial primario (no existe un conjunto equivalente de proxies de baja dimensión estándar para la temperatura profunda).
   • Modelos: Una red neuronal de Perceptrón Multicapa (MLP).
   • Validación: Divisiones aleatorias y pruebas de extrapolación de estados retenidos geográficamente para Arizona, Missouri y Nueva York.

Resultos Clave

• Predicción de $V_{S30}$:
  • Los modelos híbridos que combinan los embeddings de AlphaEarth con la log-pendiente superaron significativamente a las líneas base convencionales. El mejor modelo (XGBoost con embeddings + log-pendiente) logró un RMSE de prueba de 126.1 m/s y un $R^2$ de 0.53, una reducción del 24.3% en el RMSE en comparación con una línea base que utilizaba solo la log-pendiente y el estatus tectónico.
  • Los embeddings por sí solos funcionaron mejor que la línea base de proxy de terreno convencional, lo que indica que codifican información más rica sobre la litología, la vegetación y la organización hidrológica.
  • Extrapolación: En las pruebas de dejar un estado fuera, la capacidad predictiva disminuyó significamente (por ejemplo, el $R^2_{log}$ cayó a ~0.06 para California), lo que refleja la naturaleza local de la $V_{S30}$ y la influencia de espesores de sedimentos específicos y la estratigrafía que no se capturan mediante patrones superficiales regionales. Sin embargo, los modelos aún recuperaron patrones regionales de primer orden físicamente plausibles (por ejemplo, contrastes entre cuencas y tierras altas).
• Temperatura del Subsuelo:
  • La red neuronal informada por embeddings logró un fuerte desempeño ($R^2 = 0.919$, RMSE = 6.0°C) en comparación con una línea base no lineal sin embeddings, demostrando que el embedding captura información complementaria más allá de la flexibilidad del modelo.
  • El modelo recuperó con éxito estructuras termotectónicas amplias, distinguiendo entre el oeste de EE. UU., más activo y cálido (Basin and Range, Yellowstone), y el interior cratónico, más estable y frío.
  • Extrapolación: Las pruebas de extrapolación a nivel estatal mostraron una habilidad variable dependiendo de la heterogeneidad térmica de la región (por ejemplo, mayor error en la geológicamente compleja Arizona frente a la más coherente Nueva York). El modelo preservó los gradientes térmicos amplios pero suavizó las anomalías locales, lo cual es consistente con la expectativa de que la temperatura profunda está más organizada regionalmente que la velocidad superficial.

Contribuciones Clave

1. Representación Compartida: El estudio demuestra que el embedding de un modelo fundacional de propósito general puede servir como una representación superficial transferible para diversos objetivos del subsuelo (rigidez mecánica y estado térmico) sin el reentrenamiento específico de la tarea del embedding en sí mismo.
2. Rol de los Embeddings: La investigación aclara la utilidad condicional de tales embeddings:
   • Para $V_{S30}$, donde existen proxies físicos fuertes guiados por la física (pendiente), el embedding actúa como una característica de aumento, añadiendo contexto de paisaje no redundante para mejorar la precisión.
   • Para la temperatura del subsuelo, donde los controles son difusos y carecen de proxies convencionales simples, el embedding sirve como el descriptor geoespacial primario.
3. Marco de Validación: Al emparejar pruebas de retención aleatoria con pruebas de extrapolación geográficamente retenidas, el estudio distingue entre la habilidad predictiva dentro de las regiones muestreadas y los límites de la transferibilidad espacial. Esto resalta que, si bien los embeddings apoyan la inferencia regional, el desempeño de la extrapolación está constreñido por la densidad de muestreo, la heterogeneidad geológica y la escala de la propiedad objetivo.

Significancia y Reivindicaciones
El artículo afirma que los embeddings de superficie de los modelos fundacionales no son meramente características que aumentan el rendimiento, sino que actúan como representaciones compartidas y flexibles que codifican contextos geomórficos, geológicos, hidrológicos y de uso de suelo acoplados. Estos contextos proporcionan restricciones indirectas pero estadísticamente significativas sobre la estructura del subsuelo.

Los autores posicionan este trabajo como un estudio de cómo las representaciones transferibles codifican un contexto geológicamente significativo, en lugar de ser una solución definitiva para todo el mapeo del subsuelo. Enfatizan que el valor de la representación depende de la física del objetivo, la escala de predicción y la fuerza del conocimiento de dominio existente. Los resultados sugieren que tales embeddings pueden cerrar la brecha entre la observación de la Tierra y la ciencia del subsuelo para el cribado regional y el mapeo de primera fase, particularmente en regiones con escasez de datos, pero no reemplazan la necesidad de calibración local o investigaciones específicas del sitio para el diseño de ingeniería. El estudio concluye que estos embeddings son más valiosos cuando se utilizan para estudiar cómo las señales de escala de paisaje restringen el subsuelo, en lugar de como una medición física directa de las propiedades del subsuelo.