Characterizing AlphaEarth Embedding Geometry for Agentic Environmental Reasoning

Título: Caracterização da Geometria de Embeddings do AlphaEarth para Raciocínio Ambiental Agêntico

1. Problema e Contexto

Os modelos fundamentais de observação da Terra (como o Google AlphaEarth) comprimem imagens multiespectrais em vetores de embedding densos (64 dimensões) que representam a superfície terrestre. Embora esses modelos tenham alto desempenho em tarefas de classificação e detecção de mudanças, a estrutura geométrica interna desses espaços de embeddings permanece pouco compreendida.

• A Lacuna: Não se sabe quais operações são geometricamente viáveis nesses espaços. Em Processamento de Linguagem Natural (PLN), a aritmética vetorial (ex: rei - homem + mulher = rainha) funciona porque os espaços de embeddings são aproximadamente lineares e as direções semânticas são consistentes globalmente.
• A Questão Central: O espaço de embeddings do AlphaEarth é plano ou curvo? As operações composicionais (como adição/subtração de vetores) transferem-se para este domínio geoespacial? Como a geometria deve informar o design de sistemas de raciocínio (agênticos) que utilizam esses dados?

2. Metodologia

O estudo foi conduzido em três fases principais, utilizando 12,1 milhões de vetores de embedding de 64 dimensões do AlphaEarth cobrindo os Estados Unidos Continentais (CONUS) entre 2017 e 2023.

• Fase 1: Caracterização da Variedade (Manifold)

  • Análise Global: Decomposição espectral da matriz de covariância para determinar a dimensionalidade efetiva usando a Participation Ratio (PR).
  • Dimensionalidade Intrínseca Local: Estimação da dimensionalidade intrínseca local usando o estimador de máxima verossimilhança (MLE) de Levina-Bickel em 200.000 pontos.
  • Geometria Local e Tangente: Realização de PCA local em 10.000 locais de sonda para medir o alinhamento entre os componentes principais locais e globais, e a instabilidade dos espaços tangentes (rotação da geometria).
  • Análise Multiescala: Investigação de como a geometria muda com o tamanho da vizinhança (de 20 a 2.000 vizinhos).

• Fase 2: Teste de Operações Composicionais

  • Aritmética Vetorial: Testes de "deslocamento direcionado" (tornar um local mais úmido/quente), "transferência de propriedades" e analogias (estilo A - B + C = D).
  • Probes Lineares Supervisionados: Treinamento de regressores Ridge para identificar direções conceituais otimizadas e testar se elas superam as direções derivadas de PCA na aritmética vetorial.
  • Coerência de Recuperação: Medição da consistência física dos vizinhos mais próximos no espaço de embedding e desenvolvimento de um modelo de confiança baseado em características geométricas.

• Fase 3: Sistema Agêntico

  • Desenvolvimento de um sistema baseado na arquitetura ReAct (Reasoning + Acting) que integra 9 ferramentas: 5 ferramentas de recuperação (baseadas no trabalho anterior de Rahman, 2026) e 4 novas ferramentas conscientes da geometria (contexto geométrico, avaliação de confiança, perfis regionais, identificação de regiões similares).
  • O sistema usa o modelo de linguagem Claude Sonnet 4.5 (e Opus 4.6 em benchmarks cruzados) para planejar cadeias de raciocínio multi-etapa sobre um banco de dados indexado pelo FAISS.

3. Principais Contribuições

1. Caracterização Geométrica do AlphaEarth: Demonstração de que o espaço de embeddings não é euclidiano, mas sim uma variedade curvada e heterogênea.
2. Validação de Operações: Evidência de que a aritmética vetorial direta falha neste espaço devido à rotação das direções conceituais, enquanto a recuperação baseada em vizinhos (RAG) permanece robusta.
3. Sistema Agêntico Geoespacial: Criação de um sistema que utiliza a geometria do espaço de embeddings para guiar o raciocínio, permitindo consultas multi-etapa que pipelines determinísticos não conseguem resolver.
4. Descoberta de Dependência do Modelo: A descoberta de que o valor dos metadados geométricos escala com a capacidade de raciocínio do modelo de linguagem consumidor.

4. Resultados Chave

• Estrutura da Variedade:

  • Dimensionalidade Efetiva: Embora o espaço tenha 64 dimensões, a dimensionalidade efetiva global é de 13,3 (Participation Ratio) e a dimensionalidade intrínseca local é de aproximadamente 10.
  • Curvatura: O espaço é genuinamente curvo. 84% dos locais amostrados exibem ângulos de espaço tangente superiores a 60° entre vizinhos adjacentes.
  • Desalinhamento: O alinhamento entre os componentes principais locais e globais é baixo (média $| \cos \theta | = 0,17$), próximo à linha de base aleatória (0,125). Isso significa que a direção "umidade" ou "temperatura" muda drasticamente dependendo da localização geográfica.

• Falha da Aritmética Vetorial:

  • Operações de adição/subtração de vetores (analogias) resultaram em baixa precisão.
  • Mesmo com direções conceituais otimizadas via probes supervisionados (que tinham alta precisão preditiva local), a aritmética falhou ao generalizar, pois as direções otimizadas localmente não se mantêm consistentes globalmente devido à curvatura da variedade.

• Sucesso da Recuperação (RAG):

  • A recuperação de vizinhos mais próximos produz resultados fisicamente coerentes na maioria da variedade.
  • Um modelo linear consegue prever a coerência da recuperação com base em características geométricas ($R^2 = 0,32$), permitindo que o agente estime a confiabilidade dos dados antes de acessá-los.

• Desempenho do Sistema Agêntico:

  • Recuperação é Dominante: A recuperação baseada em embeddings de satélite é o maior contribuinte para a qualidade da resposta ($\mu = 3,79$ vs. $3,03$ para geração apenas paramétrica).
  • Raciocínio Multi-etapa: O sistema agêntico superou significativamente em consultas de comparação (Tier 2, $\mu = 4,28$), uma tarefa que pipelines determinísticos não conseguem realizar.
  • Impacto da Geometria no Modelo:
    • No Claude Sonnet 4.5, o uso de ferramentas geométricas reduziu ligeiramente a pontuação ponderada (devido à complexidade de planejamento), mas aumentou a "fundamentação geométrica".
    • No Claude Opus 4.6 (modelo mais capaz), o uso de ferramentas geométricas melhorou a pontuação e a fundamentação geométrica, indicando que modelos mais fortes conseguem aproveitar melhor o contexto geométrico complexo.

5. Significado e Implicações

Este trabalho marca uma transição crucial na inteligência geoespacial:

1. Do Dicionário de Dimensões para a Geometria: Não basta saber o que cada dimensão representa individualmente; é essencial entender como elas se relacionam geometricamente. A curvatura do espaço invalida operações algébricas simples, exigindo estratégias de recuperação baseadas em vizinhança.
2. Design de Sistemas Agênticos: A arquitetura de sistemas que raciocinam sobre dados de satélite deve ser adaptada à geometria local. Ferramentas de "confiança" e "contexto geométrico" são vitais para evitar alucinações em regiões de alta complexidade topográfica.
3. Escalabilidade com IA: O valor da caracterização geométrica detalhada não é fixo; ele aumenta à medida que os modelos de linguagem se tornam mais capazes de raciocinar sobre metadados complexos. À medida que os LLMs evoluem, a integração de geometria de embeddings se tornará um diferencial crítico para a precisão em tarefas ambientais.

Em resumo, o estudo demonstra que a inteligência geoespacial baseada em foundation models deve abandonar a suposição de linearidade global e adotar abordagens agênticas que respeitem a curvatura e a heterogeneidade local dos dados de observação da Terra.