Geospatial AI Embeddings for Flood Prediction / Inteligencia artificial para anticipar inundaciones relámpago
28 de August de 2025
English
As part of my work with Asociación FARO para la Aceleración de la Inteligencia Artificial - ANFAIA, I’ve been exploring how the latest advances in AI can strengthen applied research.
In the En Peu project at Fundación Matrix Investigación y Desarrollo Sostenible, I used geospatial embeddings developed by Alpha Earth Foundations (Google DeepMind) to improve predictive models of floodwater depth based on territorial and environmental data.
What’s remarkable is that even by using only Alpha Earth’s embeddings, the models already reach very strong performance, which is extremely helpful for developing projects like this one with real social impact.
📊 Results with embeddings integration:
𝗚𝗿𝗮𝗱𝗶𝗲𝗻𝘁 𝗕𝗼𝗼𝘀𝘁𝗶𝗻𝗴 𝗠𝗮𝗰𝗵𝗶𝗻𝗲 (𝗚𝗕𝗠) RMSE: 0.2446 → 0.2185 R²: 0.8587 → 0.8872
𝗥𝗮𝗻𝗱𝗼𝗺 𝗙𝗼𝗿𝗲𝘀𝘁 (𝗥𝗙) RMSE: 0.1267 → 0.1219 R²: 0.9621 → 0.9649
You can find the open-source implementation here:
🔗 GitHub project
This project is still evolving, but it’s inspiring to see how geospatial AI embeddings can accelerate research and open the door to new solutions in flood risk prevention.
Many thanks to Alpha Earth, ANFAIA, and Fundación Matrix for supporting this work.
Español
Inteligencia artificial para anticipar inundaciones relámpago
Durante mi trabajo con la beca Asociación FARO para la Aceleración de la Inteligencia Artificial - ANFAIA, tuve la oportunidad de integrar los embeddings geoespaciales desarrollados por AlphaEarth Foundations, de Google DeepMind en mi proyecto En Peu de la Fundación Matrix, Investigación y Desarrollo Sostenible. Este proyecto busca predecir la altitud de la lámina de agua en escenarios de inundación a partir de datos geoespaciales, con el fin de comprender y prevenir riesgos asociados a eventos extremos en el territorio. Gracias a la incorporación de estos embeddings, he logrado mejorar el rendimiento de mis modelos:
📊 Resultados con la incorporación de embeddings:
𝗚𝗿𝗮𝗱𝗶𝗲𝗻𝘁 𝗕𝗼𝗼𝘀𝘁𝗶𝗻𝗴 𝗠𝗮𝗰𝗵𝗶𝗻𝗲 (𝗚𝗕𝗠) RMSE: 0.2446 → 0.2185 R²: 0.8587 → 0.8872
𝗥𝗮𝗻𝗱𝗼𝗺 𝗙𝗼𝗿𝗲𝘀𝘁 (𝗥𝗙) RMSE: 0.1267 → 0.1219 R²: 0.9621 → 0.9649
Este es solo un paso en un proceso continuo de mejora, pero me parece muy inspirador ver cómo los últimos avances en IA aplicada a datos espaciales pueden potenciar proyectos con impacto social real. Muchas gracias a AlphaEarth Foundations por abrir estas posibilidades, y a ANFAIA y Fundación Matrix por el apoyo en este camino!