AlphaEarth Foundations 助力以前所未有的细节绘制我们的星球
新的人工智能模型整合了数 PB 的地球观测数据，生成统一的数据表示，彻底改变了全球测绘与监测
每天，卫星捕捉信息丰富的图像和测量数据，为科学家和专家提供近乎实时的地球视图。尽管这些数据影响巨大，但其复杂性、多模态性和刷新率带来了新的挑战：连接不同的数据集并有效利用它们。
今天，我们推出 AlphaEarth Foundations，这是一个功能类似于虚拟卫星的人工智能（AI）模型。它通过将大量地球观测数据整合到一个统一的数字表示（即“嵌入”）中，准确高效地描述整个陆地及沿海水域，计算机系统可以轻松处理。这使得该模型能够为科学家提供更完整、更一致的地球演化图景，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。
为了加速研究并解锁应用场景，我们现在在 Google Earth Engine 中发布 AlphaEarth Foundations 年度嵌入集合，作为 Satellite Embedding 数据集。在过去一年中，我们与 50 多个组织合作，在他们的实际应用中测试该数据集。
我们的合作伙伴已经看到了显著的好处，利用这些数据更好地对未绘制的生态系统进行分类，了解农业和环境变化，并大大提高测绘工作的准确性和速度。在这篇博客中，我们很高兴重点介绍他们的一些反馈，并展示这项新技术的切实影响。
AlphaEarth Foundations 的工作原理
AlphaEarth Foundations 通过解决两大挑战：数据过载和信息不一致，为理解我们的星球提供了一个强大的新视角。
首先，它结合了来自数十个不同公共来源的大量信息——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，以清晰的 10x10 米方格分析世界陆地和沿海水域，使其能够以惊人的精度跟踪随时间的变化。
其次，它使这些数据实用化。该系统的关键创新在于能够为每个方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 系统少 16 倍，并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到此前不可能的事情：按需创建详细且一致的世界地图。无论是监测作物健康、追踪森林砍伐，还是观察新建工程，他们都不再需要依赖单颗卫星从头顶经过。他们现在拥有了一种全新的地理空间数据基础。
图示展示了 AlphaEarth Foundations 的工作原理：从视频序列中提取非均匀采样的帧，以索引时间中的任意位置。这有助于模型创建该位置的连续视图，同时解释大量测量结果。
为确保 AlphaEarth Foundations 已准备好投入实际使用，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。它在不同时间段的各种任务中都表现出色，包括识别土地利用和估算地表属性。至关重要的是，它在标签数据稀缺的场景中也能实现这一点。平均而言，AlphaEarth Foundations 的错误率比我们测试的模型低 24%，展示了其卓越的学习效率。更多信息请参阅我们的论文。
图示展示了全球嵌入场从左到右分解为单个嵌入。每个嵌入有 64 个分量，映射到 64 维球面上的坐标。
使用 Satellite Embedding 数据集生成自定义地图
在 AlphaEarth Foundations 的支持下，Google Earth Engine 中的 Satellite Embedding 数据集是同类数据集中规模最大的之一，每年拥有超过 1.4 万亿个嵌入足迹。这一年度嵌入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，以创建强大的自定义地图，推动现实世界的洞察。
例如，全球生态系统图集是一项旨在创建首个全面资源以绘制和监测世界生态系统的倡议，正在使用该数据集帮助各国将未绘制的生态系统分类为沿海灌木地和超干旱沙漠等类别。这一首创资源将在帮助各国更好地优先保护区域、优化恢复工作和应对生物多样性丧失方面发挥关键作用。
卫星嵌入数据集正在通过帮助各国绘制未知生态系统的地图，彻底改变我们的工作——这对于确定保护工作的重点区域至关重要。
在巴西，MapBiomas 正在测试该数据集，以更深入地了解全国范围内的农业和环境变化。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。
正如 MapBiomas 创始人 Tasso Azevedo 所说：“卫星嵌入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，可以制作更准确、更精确、更快速的地图——这是我们以前永远无法做到的。”
在 Google Earth Engine 博客 中阅读更多关于卫星嵌入数据集的内容并查看教程。
用 AI 赋能他人
AlphaEarth Foundations 代表着在理解我们不断变化的星球的状态和动态方面向前迈出的重要一步。我们目前正在使用 AlphaEarth Foundations 生成年度嵌入，并相信未来与 Gemini 等通用推理 LLM 代理结合时，它们可能会更加有用。我们正在继续探索将我们模型基于时间的能力作为 Google Earth AI 的一部分的最佳应用方式，这是我们收集的地理空间模型和数据集，旨在帮助解决地球上最关键的需求。
了解更多关于 AlphaEarth Foundations 的信息
致谢
这项工作是由 Google DeepMind 和 Google Earth Engine 的团队合作完成的。
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