Google AlphaEarth nutzt Beobachtungsdaten für die globale Kartierung

AlphaEarth Foundations wurde am 30. Juli 2025 vorgestellt und ist ein georäumliches Basismodell von Google DeepMind. Es zählt zu den Höhepunkten der jüngsten Google-KI-Neuigkeiten und soll die Arbeit mit globalen Erdbeobachtungsdaten schneller, verständlicher und zuverlässiger machen.

AlphaEarth Foundations wurde mit Milliarden von Datenpunkten aus Satellitenbildern, Radar, LiDAR (Light Detection and Ranging), Höhenmodellen und Klimasimulationen trainiert. Aus dieser breiten Palette an Eingaben erstellt es jährliche Ansichten des Planeten mit einer Auflösung von 10 Metern.

Einfach ausgedrückt bedeutet das, dass das Modell klare, einheitliche Karten der Erdoberfläche erstellen kann – auch in schwer einsehbaren Gebieten. So lassen sich Veränderungen an Land, Wasser und Klima leichter erkennen und im Zeitverlauf verfolgen. Diese Aufnahmen sind jetzt über Google Earth Engine verfügbar, Googles Cloud-Plattform für georäumliche Daten.

In diesem Artikel sehen wir uns an, wie AlphaEarth Foundations KI in Google Earth Engine für reale Erdbeobachtungsprojekte nutzt.

AlphaEarth: Googles neues KI-Modell zur Erdbeobachtung#

AlphaEarth Foundations bietet eine neue Möglichkeit, unseren Planeten als kontinuierliches und dynamisches System zu verstehen. Anstatt jedes Bild einzeln zu betrachten, erstellt das neue KI-Modell ein einheitliches, strukturiertes Bild der Erdoberfläche über Raum und Zeit hinweg.

Dafür nutzt das Modell eine Vielzahl von Quellen, darunter Satellitenbilder, Höhenkarten, Klimamodelle und Berichte zur biologischen Vielfalt. So kann es Veränderungen in der Umwelt erkennen und ihre Ursachen analysieren.

AlphaEarth kann insbesondere zeigen, wie sich die Landschaften der Erde im Laufe der Jahre verändern. Diese Momentaufnahmen basieren auf Einbettungen, also kompakten Zusammenfassungen dessen, was das Modell über die einzelnen Orte gelernt hat.

Abb. 1. Googles KI-Modell nutzt numerische Einbettungen, um die Erdoberfläche zu kartieren. (Quelle)

Eine Sammlung dieser Einbettungen ist über den Satellite Embedding-Datensatz von Google Earth Engine verfügbar. Sie werden bereits in Bereichen wie der Waldbrandbekämpfung, der Stadtplanung und der Überwachung von Landflächen eingesetzt. So können Forschende und Entscheidungsträger Satellitendaten in nützliche Erkenntnisse umwandeln.

KI und Klima: Die Bedeutung von AlphaEarth#

Ein wichtiger Vorteil von AlphaEarth Foundations besteht darin, dass sich damit langfristige Veränderungen unseres Planeten leichter untersuchen lassen. Das Modell funktioniert auch in schwierigen Gebieten gut, in denen Daten fehlen oder Wolken häufig die Satellitenansicht versperren. Im Amazonas-Regenwald etwa, wo eine dichte Wolkendecke ein ständiges Problem darstellt, kann AlphaEarth Veränderungen an Land dennoch erkennen, indem es aus Mustern auf der ganzen Welt lernt.

In Benchmarktests verringerte das Modell Fehlklassifizierungen um fast 24 % und benötigte pro Einbettung 16-mal weniger Speicherplatz. Interessanterweise muss dieses neue KI-Modell nicht für jede Anwendung neu trainiert werden.

Das Modell ist effizient und lässt sich an verschiedene Regionen und Herausforderungen anpassen. Das liegt daran, dass AlphaEarth universell einsetzbare Einbettungen erstellt: kompakte, informationsreiche Zusammenfassungen jedes Ortes, die sich direkt für viele Analysearten verwenden lassen, ohne das gesamte Modell neu aufzubauen.

Bislang wurde AlphaEarth in mehr als 100 Ländern zur Überwachung von Landveränderungen eingesetzt, darunter in tropischen Wäldern, arktischen Regionen und wachsenden Städten. Diese Erkenntnisse unterstützen eine vorausschauendere Planung und fundiertere Klimaentscheidungen.

Abb. 2. Globale Muster mit Googles neuem KI-Modell visualisieren. (Quelle)

Wie AlphaEarth Computer Vision für die Erdbeobachtung nutzt#

Satellitenbilder können zwar detaillierte Ansichten der Erdoberfläche liefern, doch ist es nicht immer einfach, aus diesen Bildern aussagekräftige Erkenntnisse zu gewinnen. AlphaEarth Foundations nutzt Computer Vision, einen Bereich der KI, der es Maschinen ermöglicht, visuelle Informationen zu interpretieren, um Muster auf Landflächen, in der Vegetation und im Gelände zu erkennen und zu analysieren.

So setzt das Modell verschiedene Computer-Vision-Aufgaben für die Erdbeobachtung ein:

• Bildklassifizierung: AlphaEarth erkennt anhand von Satellitenbildern Landtypen wie Wälder, Ackerland, Feuchtgebiete und städtische Gebiete. Diese Klassifizierungen unterstützen die Klimaüberwachung, die ökologische Forschung und die Flächennutzungsplanung.
• Segmentierung: Die Segmentierung, auch thematische Kartierung genannt, ordnet jedem Pixel eines Satellitenbilds eine Kategorie zu, etwa die Anbauart oder die Vegetationsbedeckung. AlphaEarth nutzt seine jährlichen Einbettungen, um die Genauigkeit über verschiedene Regionen hinweg aufrechtzuerhalten. Das ermöglicht detaillierte Kartierungen von Flächennutzung, Bodenbedeckung und biologischer Vielfalt.
• Veränderungserkennung: Durch den Vergleich jährlicher Einbettungen desselben Ortes kann AlphaEarth Veränderungen bei Flächennutzung und Bodenbedeckung erkennen, etwa Entwaldung, die Auswirkungen von Waldbränden oder das Wachstum von Städten. Das Modell funktioniert sowohl mit überwachten Methoden (Lernen anhand gekennzeichneter Beispiele) als auch mit unüberwachten Methoden (Mustererkennung ohne Kennzeichnungen).
• Unüberwachtes Clustering: Ohne gekennzeichnete Daten kann AlphaEarth Regionen mit ähnlichen Mustern in Satellitenbildern gruppieren. So lassen sich Trends wie Veränderungen der Vegetation oder Klimaanomalien in neuen oder wenig erforschten Gebieten erkennen. Das ist besonders nützlich, wenn nur wenige oder gar keine gekennzeichneten Daten verfügbar sind.

Abb. 3: Ein Blick darauf, wie AlphaEarth dabei hilft, die Umwelt der Erde im Jahr 2023 zu verstehen. (Quelle)

Anwendungen des neuen KI-Modells von Google in der Praxis#

Nachdem wir nun die Funktionsweise von AlphaEarth behandelt haben, sehen wir uns die Anwendungen in der Praxis an.

Googles KI-Initiative für grünere Städte in den USA#

In den gesamten USA bauen Städte ihre Stadtwälder aus, um Hitze zu reduzieren, Schadstoffe aufzunehmen und die öffentliche Gesundheit zu fördern. Doch genau zu ermitteln, wo Bäume stehen und wo nicht, kann schwierig sein. In dicht bebauten Wohnvierteln und engen Straßen wird Grün in Satellitenbildern oder bei herkömmlichen Erhebungen oft nicht erfasst.

AlphaEarth nutzt jedoch Satelliten-, Höhen- und Umweltdaten, um die Baumkronenbedeckung detailliert zu kartieren. Um das Modell zu testen, verwendeten Forschende mehr als 45.000 Baumnachweise von iNaturalist.

Sie konzentrierten sich auf 39 häufig vorkommende Baumgattungen (Gruppen eng verwandter Arten), die in allen US-Bundesstaaten einschließlich Alaska und Hawaii zu finden sind. Die Daten wurden bereinigt und in Trainings- und Testdatensätze aufgeteilt. Für das Training wurden 300 Beispiele pro Gattung verwendet, die übrigen dienten zum Testen.

Das Modell kartierte die Baumbedeckung anhand von Satelliten-, Höhen- und Umweltdaten präzise und zeigte damit, dass es Lücken schließen kann, die bei herkömmlichen Erhebungen entstehen. Diese Erkenntnisse können Städten wie Detroit, New York und Phoenix dabei helfen, bessere Entscheidungen darüber zu treffen, wo Bäume gepflanzt, Wohnviertel gekühlt und die lokale biologische Vielfalt gefördert werden sollen.

Präzisere Feldfruchtkartierung mithilfe von Erdbeobachtungssatelliten#

Kanadas Feldfruchtinventar hängt stark von Erhebungen auf Feldebene ab, insbesondere in Gebieten ohne Aufzeichnungen zur Ernteversicherung (offizielle Berichte zu Feldfruchtart, Standort und Anbaufläche, die für landwirtschaftliche Versicherungsprogramme erhoben werden). Diese Erhebungen vom Straßenrand aus, die häufig aus fahrenden Fahrzeugen durchgeführt werden, dienen der Erfassung wichtiger Feldfrüchte wie Getreide, Ölsaaten, Obst und Futterpflanzen.

Da manche Feldfruchtarten jedoch häufiger erfasst werden als andere, können die Daten unausgewogen sein und sich nur schwer in zuverlässige Karten für große Gebiete umwandeln lassen. AlphaEarth kann diese Probleme umgehen und sowohl eine grobe als auch eine detaillierte Feldfruchtklassifizierung anhand von Daten der Erdbeobachtungssatelliten unterstützen.

Das Modell kann Feldfrüchte in grobe Kategorien wie Getreide oder Ölsaaten einteilen. In Regionen, für die detaillierte Erhebungsdaten vorliegen, kann es auch bestimmte Arten wie Sommerweizen, Mais oder Luzerne erkennen. Dieser Ansatz mit zwei Detaillierungsstufen verbindet eine breite Abdeckung mit Genauigkeit und liefert ein klareres Bild davon, was in Kanada angebaut wird.

Abb. 4. Google AlphaEarth unterstützt die Klassifizierung von Feldfrüchten in Kanada. (Quelle)

Globale Landschaften mit KI für Google-Earth-Technologie erkunden#

Die Antarktis gehört zu den am schwierigsten zu kartierenden Orten der Erde: Das Wetter ist extrem, die Schneedecke nahezu ständig vorhanden und die Sichtbarkeit auf Satellitenbildern eingeschränkt. Dadurch entstehen Lücken in unserem Wissen über die Gletscher, freiliegendes Gestein und die Veränderungen der Landschaft im Laufe der Zeit.

Durch die Kombination von Satellitenbildern mit Radar- und Höhendaten erstellt AlphaEarth einheitliche Jahreskarten der Antarktis, auch in Gebieten mit eingeschränkter Sicht. Das Modell kann fehlende Details ergänzen und Geländekarten mit einer Auflösung von 10 Metern erstellen, damit Forschende Gletscher, Oberflächenstrukturen und schneebedeckte Landflächen genauer verfolgen können.

Vor- und Nachteile des neuen KI-Modells AlphaEarth#

Hier sind einige der wichtigsten Vorteile, die AlphaEarth Foundations für Erdbeobachtung und Stadtplanung bietet:

• Vielseitigkeit: AlphaEarth lässt sich in zahlreichen Bereichen wie Landwirtschaft, Stadtplanung und Katastrophenhilfe einsetzen, ohne dass separate Modelle benötigt werden.
• Schließt Datenlücken: AlphaEarth kann jährliche Zusammenfassungen erstellen, selbst wenn die Satelliteneingabedaten unvollständig sind. So bleibt die Kontinuität bei Zeitreihenanalysen erhalten.
• Für KI-Anwendungen geeignete Ergebnisse: Das Modell erstellt Einbettungen, die sich direkt in Werkzeuge wie Erntemonitore, Hochwassererkennungssysteme oder Klassifizierer zur Flächennutzung einspeisen lassen. Das spart Forschenden und Entwicklern Zeit.

AlphaEarth bietet zwar zuverlässige Unterstützung in verschiedenen Bereichen, doch solltest du einige Einschränkungen beachten:

• Nicht echtzeitfähig: Die jährlichen Einbettungen von AlphaEarth eignen sich nicht für Anwendungen, die eine tägliche oder annähernd echtzeitfähige Überwachung erfordern.
• Abhängig von der Qualität der Eingabedaten: Das Modell kann zwar Datenlücken schließen, ist aber weiterhin auf die Qualität und Verfügbarkeit von Satelliten-, Radar- und anderen Eingabedaten angewiesen.
• Eingeschränkte Interpretierbarkeit: Wie bei den meisten Deep-Learning-Modellen kann es schwierig sein, genau nachzuvollziehen, wie AlphaEarth zu bestimmten Mustern oder Vorhersagen gelangt.

Die wichtigsten Erkenntnisse#

AlphaEarth Foundations hilft Forschenden, Planenden und politischen Entscheidungsträgern, den Planeten aus neuen Perspektiven zu betrachten. Googles neues KI-Modell wandelt rohe Satellitendaten in strukturierte, zuverlässige Informationen um, die bessere Entscheidungen in Bereichen wie Klimawissenschaft, Landwirtschaft und Stadtentwicklung unterstützen. Durch Fortschritte in der Erdbeobachtung wird es einfacher, die Veränderungen unseres Planeten im Laufe der Zeit zu überwachen und zu verstehen.

Werde Teil unserer Community und entdecke KI-Neuheiten in unserem GitHub-Repository. Erfahre auf unseren Lösungsseiten mehr über KI in der Landwirtschaft und Computer Vision im Gesundheitswesen. Sieh dir unsere Lizenzmodelle an und starte noch heute mit KI!