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

Sintesi Tecnica: Inferenza superficie-sottosuolo tramite AlphaEarth

Problematica
Inferire le proprietà del sottosuolo a partire dalle osservazioni superficiali è una sfida fondamentale nelle geoscienze a causa della scarsità, dei costi e della distribuzione non uniforme delle misurazioni dirette del sottosuolo (ad es., pozzi di sondaggio, rilievi sismici). Al contrario, le osservazioni superficiali sono dense e ripetute temporalmente. Sebbene le espressioni superficiali (geomorfologia, litologia, vegetazione, umidità) spesso correlino con le condizioni del sottosuolo, questi legami sono indiretti, non univoci e dipendenti dalla scala. La mappatura tradizionale spesso si basa su proxy costruiti manualmente (ad es., la pendenza topografica per la velocità sismica) che possono non essere in grado di catturare contesti paesaggistici complessi e accoppiati. Questo studio indaga se l'embedding di un modello di fondazione per l'osservazione della Terra a scopo generale possa servire come una rappresentazione geospaziale condivisa e trasferibile per migliorare l'inferenza superficie-sottosuolo attraverso distinti domini fisici.

Metodologia
Gli autori utilizzano AlphaEarth, un modello di fondazione geospaziale sviluppato da Google DeepMind. AlphaEarth produce un campo di embedding globale a 64 dimensioni con una risoluzione di 10 m, appreso da dati di osservazione terrestre multi-fonte (immagini ottiche, radar, topografia, LiDAR, rianalisi climatica e segnali idrologici derivati dalla gravità). Il modello non viene riaddestrato; invece, i vettori di embedding fissi vengono utilizzati come caratteristiche di input per modelli di regressione specifici per il compito a valle.

Lo studio valuta questo approccio in due applicazioni distinte negli Stati Uniti contigui (CONUS):

1. Velocità Sismica Superficiale ($V_{S30}$): Predizione della velocità media delle onde di taglio nei primi 30 metri.
   • Caratteristiche: Embedding di AlphaEarth usati da soli, e in set ibridi con predittori convenzionali (log-pendenza e un indicatore binario di stato tettonico).
   • Modelli: Regressione Lineare, Random Forest (RF) e XGBoost.
   • Validazione: Split casuali 80/20 addestramento-test e test di estrapolazione con esclusione geografica "leave-one-state-out" (California, Oregon, Washington).
2. Temperatura del Sottosuolo: Ricostruzione dei campi di temperatura a profondità compresi tra 1.000 e 6.000 metri.
   • Caratteristiche: Embedding di AlphaEarth come principale descrittore geospaziale (non esiste un equivalente set di proxy a bassa dimensionalità standard per la temperatura profonda).
   • Modelli: Una rete neurale Multilayer Perceptron (MLP).
   • Validazione: Split casuali e test di estrapolazione per stati (Arizona, Missouri e New York).

Risultati Chiave

• Predizione di $V_{S30}$:
  • I modelli ibridi che combinano gli embedding di AlphaEarth con il log-pendenza hanno superato significativamente i baseline convenzionali. Il miglior modello (XGBoost con embedding + log-pendenza) ha raggiunto un RMSE di test di 126,1 m/s e un $R^2$ di 0,53, una riduzione del 24,3% dell'RMSE rispetto a un baseline che utilizzava solo log-pendenza e stato tettonico.
  • Gli embedding da soli hanno performato meglio del baseline del proxy del terreno convenzionale, indicando che codificano informazioni più ricche riguardanti la litologia, la vegetazione e l'organizzazione idrologica.
  • Estrapolazione: Nei test di estrapolazione "leave-one-state-out", la capacità predittiva è diminuita significativamente (ad es., $R^2_{log}$ è sceso a circa 0,06 per la California), riflettendo la natura locale di $V_{S30}$ e l'influenza di specifici spessori sedimentari e stratigrafia non catturati dai pattern superficiali regionali. Tuttavia, i modelli hanno comunque recuperato pattern regionali di primo ordine fisicamente plausibili (ad es., contrasti tra bacini e zone elevate).
• Temperatura del Sottosuolo:
  • La rete neurale informata dagli embedding ha ottenuto prestazioni elevate ($R^2 = 0,919$, RMSE = 6,0 °C) rispetto a un baseline non-embedding non lineare, dimostrando che l'embedding cattura informazioni complementari oltre alla semplice flessibilità del modello.
  • Il modello ha recuperato con successo ampie strutture termotettoniche, distinguendo tra l'ovest degli Stati Uniti attivo e più caldo (Basin and Range, Yellowstone) e l'interno cratonico stabile e più freddo.
  • Estrapolazione: I test di estrapolazione a livello statale hanno mostrato una capacità variabile a seconda dell'eterogeneità termica della regione (ad es., errore maggiore in un Arizona geologicamente complesso rispetto a un New York più coerente). Il modello ha preservato i grandi gradienti termici ma ha smussato le anomalie locali, in linea con l'aspettativa che la temperatura profonda sia più organizzata a livello regionale rispetto alla velocità superficiale.

Contributi Chiave

1. Rappresentazione Condivisa: Lo studio dimostra che un singolo embedding di un modello di fondazione general-purpose può servire come una rappresentazione superficiale trasferibile per diversi target del sottosuolo (rigidità meccanica e stato termico) senza il riaddestramento del modello di fondazione specifico per il compito.
2. Ruolo degli Embedding: La ricerca chiarisce l'utilità condizionale di tali embedding:
   • Per $V_{S30}$, dove esistono forti proxy guidati dalla fisica (pendenza), l'embedding agisce come una caratteristica di aumento, aggiungendo un contesto paesaggistico non ridondante per migliorare l'accuratezza.
   • Per la temperatura del sottosuolo, dove i controlli sono diffusi e mancano semplici proxy convenzionali, l'embedding funge da principale descrittore geospaziale.
3. Framework di Validazione: Accoppiando i test con campioni tenuti fuori casualmente con i test di estrapolazione geograficamente esclusi, lo studio distingue tra la capacità predittiva all'interno delle regioni campionate e i limiti della trasferibilità spaziale. Ciò evidenzia come, sebbene gli embedding supportino l'inferenza regionale, le prestazioni di estrapolazione siano vincolate dalla densità di campionamento, dall'eterogeneità geologica e dalla scala della proprietà target.

Significato e Rivendicazioni
L'articolo sostiene che gli embedding superficiali dei modelli di fondazione non sono meramente caratteristiche che potenziano le prestazioni, ma agiscono come rappresentazioni flessibili e condivise che codificano contesti geomorfologici, geologici, idrologici e di uso del suolo accoppiati. Tali contesti forniscono vincoli indiretti ma statisticamente significativi sulla struttura del sottosuolo.

Gli autori pongono questo lavoro come uno studio su come le rappresentazioni trasferibili codifichino un contesto geologicamente significativo, piuttosto che come una soluzione definitiva per tutta la mappatura del sottosuolo. Essi sottolineano che il valore della rappresentazione dipende dalla fisica del target, dalla scala di predizione e dalla forza della conoscenza del dominio esistente. I risultati suggeriscono che tali embedding possono colmare il divario tra l'osservazione della Terra e le scienze del sottosuolo per lo screening regionale e la mappatura di primo passaggio, specialmente in regioni con scarsità di dati, ma non sostituiscono la necessità di calibrazione locale o investigazioni specifiche per il sito per la progettazione ingegneristica. Lo studio conclude che questi embedding sono più preziosi quando utilizzati per studiare come i segnali superficiali su scala paesaggistica vincolino il sottosuolo, piuttosto che come una misura fisica diretta delle proprietà del sottosuolo.