Resumen
Los satellite embeddings de Google DeepMind, introducidos en el proyecto AlphaEarth, representan una nueva frontera en la observación terrestre. Cada píxel del planeta se codifica como un vector unitario en ℝ64 obtenido mediante un encoder CNN-Transformer entrenado sobre series temporales multifuente: Sentinel-2 (óptico multiespectral), Sentinel-1 (radar SAR), SRTM (topografía digital) y variables climáticas globales.
Este proyecto explora el espacio latente del territorio panameño mediante tres aproximaciones analíticas complementarias:
- Visualización cromática del espacio latente mediante proyección RGB de bandas seleccionadas
- Búsqueda por similitud coseno usando referencias estratégicas (mina Cobre Panamá, vertedero Cerro Patacón, perfiles de agua del Canal)
- Clustering no supervisado (k-means, k=8) para identificar clases latentes de superficie
Los resultados revelan que el embedding captura gradientes ecológicos, zonas urbanas y patrones de uso del suelo con alta coherencia espacial. El clustering distingue claramente entre selva húmeda caribeña, tierras altas cordilleranas y el arco seco del Pacífico. Los mapas de similitud identifican firmas de construcción industrial y separan agua dulce lacustre de aguas costeras, correlacionadas con diferencias en turbidez y uso antropogénico.
📖 Para detalles metodológicos completos, formulación matemática y análisis exhaustivo de resultados, consulte el paper académico completo en formato IEEE.
Contribuciones y Hallazgos
- Visualización del espacio latente: Proyección RGB que revela estructura territorial nítida. Zonas urbanas aparecen en tonos rosados, selva húmeda en verde-azul, arco seco en amarillo-naranja.
- Clustering geográficamente coherente: k-means (k=8) reproduce gradientes ecológicos conocidos sin clasificación supervisada. Separación clara entre provincias biogeográficas.
- Similitud con mina Cobre Panamá: Identifica infraestructura industrial (puertos, esclusas, zonas urbanas densas). Baja similitud con cuerpos de agua.
- Perfiles de agua diferenciados: Lago Gatún vs. aguas costeras muestran firmas espectrales distintivas, correlacionadas con turbidez y salinidad.
- Serie temporal 2017-2024: Captura transición de cobertura boscosa a suelo expuesto durante construcción, operación y cierre de la mina.
- Metodología reproducible: Notebooks completos en Python/Earth Engine, datos abiertos, código fuente disponible en GitHub.
Material y Métodos
Los análisis se implementaron en Google Earth Engine usando la colección GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL
con resolución espacial de 10 metros. Cada píxel contiene un embedding de 64 dimensiones con norma unitaria.
Notebooks de Análisis
clustering.ipynb: Muestreo estratificado de 5,000 píxeles a escala 50m, entrenamiento k-means (k=8) y generación de mapa de clústeres para todo Panamá.similarity.ipynb: Mapas de similitud coseno para mina Cobre Panamá, vertedero Cerro Patacón, y tres perfiles de agua (punto Gatún, promedio Canal, promedio no-Canal).mina_years.ipynb: Serie temporal 2017–2024 de la región minera, capturando fases de construcción, operación y cierre.utils.py: Funciones auxiliares para autenticación, carga de geometrías, visualización, clustering y cálculo de similitud coseno.
Formulación Matemática
La similitud coseno entre embeddings unitarios se calcula como:
s(a, b) = aᵀb = cos θ
El clustering k-means minimiza la varianza intra-cluster en el espacio de 64 dimensiones. Para detalles completos de la formulación matemática, consulte la sección de Metodología del paper académico.
Publicaciones
El paper académico y el póster científico fueron compuestos en Typst
(docs/paper.typ y docs/poster_modern.typ) y están disponibles en PDF de alta calidad mediante los botones superiores.
Resultados Principales
🗺️ Clustering del Territorio
El clustering k-means (k=8) revela estructura latente coherente con gradientes ecológicos:
- Cluster azul oscuro: Selva húmeda caribeña y cuenca del Canal (alta precipitación)
- Clusters verdes: Tierras altas de la Cordillera Central (bosque nuboso, montaña)
- Clusters rojo-amarillo: Arco seco del Pacífico (sabanas, agricultura, ganadería)
- Cluster urbano: Ciudades principales (Panamá, Colón, David, Santiago)
⛏️ Similitud con Superficies Antropizadas
El mapa de similitud con la mina Cobre Panamá identifica:
- Zonas urbanas consolidadas (alta similitud espectral con suelo industrial)
- Infraestructura portuaria de Punta Rincón
- Esclusas y estructuras de concreto del Canal
- Baja similitud con aguas del lago Gatún (separación agua/tierra)
💧 Perfiles de Agua Diferenciados
- Punto Gatún: Alta similitud con lagos Gatún, Alajuela y embalses (agua dulce lacustre)
- Promedio Canal: Identifica sistema lacustre del Canal, baja similitud con costas
- Promedio no-Canal: Alta similitud con aguas costeras, estuarios y manglares
- El embedding captura diferencias en turbidez, salinidad y contenido de sedimentos
📈 Serie Temporal 2017-2024
La evolución del espacio latente de la mina Cobre Panamá revela tres fases:
- 2017-2019 (Construcción): Transición de cobertura boscosa a suelo expuesto
- 2020-2023 (Operación): Estabilización de firma latente en tonos industrial
- 2024 (Post-cierre): Cambios incipientes en zonas de rehabilitación
Referencias y Cita
Este trabajo se basa en los satellite embeddings de Google DeepMind/AlphaEarth:
Brown, C. F., et al. (2025). AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data. arXiv:2507.22291 [cs.CV]
Para citar este trabajo:
Zapata, A., Quijada, E., Donadío, R., & Downer, Y. (2025). El Espacio Latente Panameño: Análisis Territorial mediante Embeddings Satelitales de AlphaEarth. Presentado en CIIECOM 2025, Universidad de Panamá.
Agradecimientos
Este proyecto fue preparado para CIIECOM 2025 y realizado por el Grupo Panavisión de la Universidad de Panamá (Facultad de Informática, Electrónica y Comunicación · Ciencia de Datos).
Agradecemos a:
- Google DeepMind/AlphaEarth por la publicación pública de los embeddings satelitales
- Google Earth Engine por la infraestructura de procesamiento geoespacial
- La comunidad de geemap por las herramientas de visualización
- Universidad de Panamá por el apoyo institucional
Código Abierto
Todos los notebooks, código fuente y datos están disponibles en:
github.com/azapg/panavision
📬 Contacto: allan.zapata@up.ac.pa