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

Resumo Técnico: Inferência superfície-subsuperfície via AlphaEarth

Declaração do Problema
Inferir propriedades da subsuperfície a partir de observações de superfície é um desafio fundamental na geociência devido à esparsidade, custo e distribuição desigual de medições diretas da subsuperfície (ex: furos de sondagem, levantamentos sísmicos). Em contrapartida, as observações de superfície são densas e repetidas temporalmente. Embora as expressões de superfície (geomorfologia, litologia, vegetação, umidade) frequentemente se correlacionem com condições de subsuperfície, essas ligações são indiretas, não únicas e dependentes de escala. O mapeamento tradicional frequentemente baseia-se em proxies criados manualmente (ex: declividade topográfica para velocidade sísmica), que podem falhar em capturar contextos de paisagem complexos e acoplados. Este estudo investiga se o embedding de um modelo de fundação de observação da Terra de propósito geral pode servir como uma representação geoespacial compartilhada e transferível para melhorar a inferência superfície-subsuperfície em distintos domínios físicos.

Metodologia
Os autores utilizam o AlphaEarth, um modelo de fundação geoespacial desenvolvido pelo Google DeepMind. O AlphaEarth produz um campo de embedding global de 64 dimensões a uma resolução de 10 m, aprendido a partir de dados de observação da Terra de múltiplas fontes (imagens ópticas, radar, topografia, LiDAR, reanálise climática e sinais hidrológicos derivados da gravidade). O modelo não é retreinado; em vez disso, vetores de embedding fixos são usados como atributos de entrada para modelos de regressão específicos de tarefas subsequentes.

O estudo avalia esta abordagem em duas aplicações distintas nos Estados Unidos contíguos (CONUS):

1. Velocidade Sísmica Rasa ($V_{S30}$): Predição da velocidade média de onda cisalhante nos primeiros 30 metros.
   • Atributos: Embeddings do AlphaEarth usados isoladamente, e em conjuntos híbridos com preditores convencionais (log-declividade e um indicador binário de status tectônico).
   • Modelos: Regressão Linear, Random Forest (RF) e XGBoost.
   • Validação: Divisões aleatórias de treino/teste de 80/20 e testes de extrapolação de "deixar um estado de fora" geograficamente retido (Califórnia, Oregon, Washington).
2. Temperatura de Subsuperfície: Reconstrução de campos de temperatura em profundidades de 1.000–6.000 metros.
   • Atributos: Embeddings do AlphaEarth como o principal descritor geoespacial (não existe um conjunto equivalente de proxies de baixa dimensão padrão para temperatura profunda).
   • Modelos: Uma rede neural de Perceptron Multicamadas (MLP).
   • Validação: Divisões aleatórias e testes de extrapolação geograficamente retidos para Arizona, Missouri e Nova York.

Resultos Principais

• Predição de $V_{S30}$:
  • Modelos híbridos combinando embeddings do AlphaEarth com log-declividade superaram significativamente os baselines convencionais. O melhor modelo (XGBoost com embeddings + log-declividade) alcançou um RMSE de teste de 126,1 m/s e $R^2$ de 0,53, uma redução de 24,3% no RMSE em comparação com um baseline usando apenas log-declividade e status tectônico.
  • Os embeddings sozinhos performaram melhor do que o baseline de proxy de terreno convencional, indicando que eles codificam informações mais ricas sobre litologia, vegetação e organização hidrológica.
  • Extrapolação: Nos testes de "deixar um estado de fora", a habilidade preditiva diminuiu significativamente (ex: $R^2_{log}$ caiu para ~0,06 para a Califórnia), refletindo a natureza local do $V_{S30}$ e a influência de espessura de sedimentos e estratigrafia específicos não capturados por padrões de superfície regionais. No entanto, os modelos ainda recuperaram padrões regionais de primeira ordem fisicamente plausíveis (ex: contrastes entre bacias e áreas de planalto).
• Temperatura de Subsuperfície:
  • A rede neural informada pelo embedding alcançou um desempenho forte ($R^2 = 0,919$, RMSE = 6,0°C) em comparação com um baseline não linear sem embedding, demonstrando que o embedding captura informações complementares além da flexibilidade do modelo.
  • O modelo recuperou com sucesso estruturas termotectônicas amplas, distinguindo entre o oeste dos EUA, mais ativo e quente (Basin and Range, Yellowstone), e o interior cratônico, mais estável e frio.
  • Extrapolação: Testes de extrapolação por estado mostraram habilidade variável dependendo da heterogeneidade térmica da região (ex: maior erro em Arizona, geologicamente complexo, versus um Nova York mais coerente). O modelo preservou gradientes térmicos amplos, mas suavizou anomalias locais, consistente com a expectativa de que a temperatura profunda é mais organizada regionalmente do que a velocidade rasa.

Principais Contribuições

1. Representação Compartilhada: O estudo demonstra que o embedding de um modelo de fundação de propósito geral pode servir como uma representação de superfície transferível para diversos alvos de subsuperfície (rigidez mecânica e estado térmico) sem o retreinamento específico da tarefa do embedding em si.
2. Papel dos Embeddings: A pesquisa esclarece a utilidade condicional de tais embeddings:
   • Para $V_{S30}$, onde existem proxies fortes guiados pela física (declividade), o embedding atua como um atributo de aumento, adicionando contexto de paisagem não redundante para melhorar a precisão.
   • Para temperatura de subsuperfície, onde os controles são difusos e carecem de proxies convencionais simples, o embedding serve como o principal descritor geoespacial.
3. Estrutura de Validação: Ao parear testes de retenção aleatória com testes de extrapolação geograficamente retidos, o estudo distingue entre a habilidade preditiva dentro de regiões amostradas e os limites da transferibilidade espacial. Isso destaca que, embora os embeddings suportem a inferência regional, o desempenho da extrapolação é limitado pela densidade de amostragem, heterogeneidade geológica e a escala da propriedade alvo.

Significância e Alegações
O artigo afirma que os embeddings de superfície de modelos de fundação não são meramente atributos que aumentam o desempenho, mas atuam como representações flexíveis e compartilhadas que codificam contextos geomórficos, geológicos, hidrológicos e de uso da terra acoplados. Esses contextos fornecem restrições indiretas, mas estatisticamente significativas, sobre a estrutura da subsuperfície.

Os autores posicionam este trabalho como um estudo de como representações transferíveis codificam contexto geologicamente significativo, em vez de uma solução definitiva para todo o mapeamento de subsuperfície. Eles enfatizam que o valor da representação depende da física do alvo, da escala de predição e da força do conhecimento de domínio existente. Os resultados sugerem que tais embeddings podem fazer a ponte entre a observação da Terra e a ciência da subsuperfície para triagem regional e mapeamento de primeira passagem, particularmente em regiões com escassez de dados, mas não substituem a necessidade de calibração local ou investigações específicas de sítio para projeto de engenharia. O estudo conclui que esses embeddings são mais valiosos quando usados para estudar como sinais de superfície em escala de paisagem restringem a subsuperfície, em vez de serem uma medição física direta das propriedades da subsuperfície.