AlphaEarth 整合海量数据重塑地球观测

The AlphaEarth Foundations team

新AI模型整合海量地球观测数据，生成统一的数据表示，彻底革新全球制图和监测方式

每天，卫星捕获信息丰富的图像和测量数据，为科学家和专家提供近实时的地球视图。虽然这些数据影响力巨大，但其复杂性、多模态特征和刷新速率带来了新的挑战：如何连接不同的数据集，并有效地利用所有数据。

今天，我们推出AlphaEarth Foundations，一种人工智能(AI)模型，其功能就像一颗虚拟卫星。它通过将大量地球观测数据整合到统一的数字表示(称为"embedding")中，能够准确高效地刻画地球上的所有陆地和沿海水域，使计算机系统能够轻松处理。这使该模型能够为科学家提供更加完整和一致的地球演变图景，帮助他们在粮食安全、森林砍伐、城市扩张和水资源等关键问题上做出更明智的决策。

为了加速研究并开启新的应用场景，我们现在在Google Earth Engine中发布了AlphaEarth Foundations年度embedding的集合，称为Satellite Embedding数据集。在过去一年中，我们与50多个组织合作，在他们的真实应用中测试了这个数据集。

我们的合作伙伴已经获得了显著的收益，使用这些数据来更好地分类未被映射的生态系统、理解农业和环保的变化，并大幅提高了他们制图工作的准确性和速度。在这篇博客中，我们很兴奋能展示他们的一些反馈，并展示这项新技术的切实影响。

AlphaEarth Foundations如何工作

AlphaEarth Foundations通过解决两个主要挑战来提供理解地球的强大新视角：数据过载和信息不一致。

首先，它结合了来自数十个不同公开来源的海量信息——光学卫星图像、雷达、3D激光测绘、气候模拟等。它将所有这些信息编织在一起，以10x10米的精细网格分析世界的陆地和沿海水域，使其能够以非凡的精度跟踪随时间推移的变化。

其次，它使这些数据实用可用。该系统的关键创新是能够为每个网格创建高度紧凑的摘要。这些摘要所需的存储空间比我们测试的其他AI系统生成的摘要少16倍，大幅降低了行星尺度分析的成本。

这一突破使科学家能够做以前不可能做到的事：按需创建详细、一致的世界地图。无论他们是监测作物健康、追踪森林砍伐还是观察新建筑，他们不再依赖单颗卫星的经过。他们现在拥有了地理空间数据的新基础。

为了确保AlphaEarth Foundations已准备好用于实际应用，我们严格测试了其性能。与传统方法和其他AI制图系统相比，AlphaEarth Foundations始终是最准确的。它在不同时期的广泛任务上表现出色，包括识别土地用途和估计地表属性。至关重要的是，它在标注数据稀缺的情况下也实现了这一点。平均而言，AlphaEarth Foundations的错误率比我们测试的模型低24%，展示了其优越的学习效率。在我们的论文中了解更多。

使用Satellite Embedding数据集生成自定义地图

由AlphaEarth Foundations驱动的Google Earth Engine中的Satellite Embedding数据集是同类中最大的数据集之一，每年拥有超过1.4万亿个embedding足迹。这个年度embedding集合已被世界各地的组织使用，包括联合国粮食及农业组织、哈佛森林、地球观测组织、MapBiomas、俄勒冈州立大学、空间信息学小组和斯坦福大学，用于创建驱动实际见解的强大自定义地图。

例如，全球生态系统地图集是一个旨在创建首个综合资源来制图和监测世界生态系统的倡议，正在使用这个数据集来帮助国家将未被映射的生态系统分类为沿海灌木地和超干旱沙漠等类别。这项开创性的资源将在帮助国家更好地优先选择保护区、优化恢复工作和防止生物多样性丧失方面发挥关键作用。

在巴西，MapBiomas正在测试这个数据集，以更深入地理解该国的农业和环保变化。这类地图为亚马逊雨林等关键生态系统的保护策略和可持续发展倡议提供了信息。

MapBiomas创始人塔索·阿泽维多(Tasso Azevedo)表示："Satellite Embedding数据集可以改变我们团队的工作方式——我们现在有了新的选择来制作更精准、更快速的地图——这是我们以前无法做到的事。"

在Google Earth Engine博客中阅读更多关于Satellite Embedding数据集的信息并查看教程。

用AI赋能他人

AlphaEarth Foundations代表了在理解我们不断变化的星球状态和动态方面的重大进步。我们目前正在使用AlphaEarth Foundations生成年度embedding，并相信当与Gemini等通用推理LLM agents结合时，它们在未来可能会更加有用。我们正在继续探索在Google Earth AI框架内应用我们模型基于时间的能力的最佳方式，Google Earth AI是我们的地理空间模型和数据集集合，旨在帮助应对地球最关键的需求。

了解更多关于AlphaEarth Foundations的信息

这项工作是Google DeepMind和Google Earth Engine团队之间的合作。

Christopher Brown, Michal Kazmierski, Valerie Pasquarella, William Rucklidge, Masha Samsikova, Olivia Wiles, Chenhui Zhang, Estefania Lahera, Evan Shelhamer, Simon Ilyushchenko, Noel Gorelick, Lihui Lydia Zhang, Sophia Alj, Emily Schechter, Sean Askay, Oliver Guinan, Rebecca Moore, Alexis Boukouvalas, Pushmeet Kohli