Google AlphaEarth usa dati di osservazione per la mappatura globale

Presentato il 30 luglio 2025, AlphaEarth Foundations è un modello geospaziale di base sviluppato da Google DeepMind. È una delle novità più rilevanti tra le recenti notizie su Google AI ed è progettato per rendere il lavoro con i dati globali di osservazione della Terra più rapido, chiaro e affidabile.

AlphaEarth Foundations è addestrato su miliardi di punti dati provenienti da immagini satellitari, radar, LiDAR (rilevamento e misurazione della distanza), modelli altimetrici e simulazioni climatiche. Grazie a questa vasta gamma di input, crea rappresentazioni annuali del pianeta con una risoluzione di 10 metri.

In parole semplici, può generare mappe chiare e coerenti della superficie terrestre, anche nelle aree difficili da osservare, rendendo più facile individuare e monitorare nel tempo i cambiamenti del territorio, dell'acqua e del clima. Queste istantanee sono ora disponibili tramite Google Earth Engine, la piattaforma cloud di Google per i dati geospaziali.

In questo articolo vedremo come AlphaEarth Foundations usa l'IA per Google Earth Engine per supportare progetti di osservazione della Terra nel mondo reale.

AlphaEarth: il nuovo modello di Google per l'osservazione della Terra#

AlphaEarth Foundations offre un nuovo modo di comprendere il nostro pianeta attraverso un sistema continuo e dinamico. Invece di esaminare ogni immagine separatamente, il nuovo modello di IA costruisce una rappresentazione unificata e strutturata della superficie terrestre nello spazio e nel tempo.

Per creare questa rappresentazione, attinge a un'ampia gamma di fonti, tra cui immagini satellitari, mappe altimetriche, modelli climatici e report sulla biodiversità. Questo gli consente di rilevare i cambiamenti ambientali e analizzarne le cause.

In particolare, AlphaEarth può mostrare come i paesaggi terrestri siano cambiati nel corso degli anni. Queste istantanee vengono create utilizzando gli embedding, che sono rappresentazioni compatte di ciò che il modello ha appreso su ogni località.

Fig. 1. Il modello di IA di Google usa embedding numerici per mappare la superficie terrestre. (Fonte)

Una raccolta di questi embedding è disponibile tramite il dataset Satellite Embedding di Google Earth Engine. È già utilizzata in ambiti come la gestione degli incendi boschivi, la pianificazione urbana e il monitoraggio del territorio. Questo aiuta ricercatori e decisori a trasformare i dati satellitari in informazioni utili.

IA e clima: l'importanza di AlphaEarth#

Uno dei principali vantaggi di AlphaEarth Foundations è che semplifica lo studio dei cambiamenti a lungo termine del nostro pianeta. Funziona bene anche in aree difficili, dove mancano dati o le nuvole bloccano spesso le immagini satellitari. Per esempio, nella foresta amazzonica, dove la copertura nuvolosa è un problema costante, AlphaEarth riesce comunque a individuare i cambiamenti del territorio apprendendo dagli schemi osservati in tutto il mondo.

Nei test di benchmark, ha ridotto gli errori di classificazione errata di quasi il 24% e ha richiesto 16 volte meno spazio di archiviazione per embedding. È interessante notare che questo nuovo modello di IA non deve essere riaddestrato per ogni applicazione.

È efficiente e adattabile a diverse regioni e sfide. Questo perché AlphaEarth genera embedding di uso generale, sintesi compatte e ricche di informazioni di ciascuna località, che possono essere usate direttamente per molti tipi di analisi senza ricostruire l'intero modello.

Finora, AlphaEarth è stato utilizzato per monitorare i cambiamenti del territorio in oltre 100 paesi, comprese le foreste tropicali, le regioni artiche e le città in espansione. Queste informazioni vengono utilizzate per favorire una pianificazione più efficace e decisioni climatiche più consapevoli.

Fig. 2. Visualizzazione degli schemi globali con il nuovo modello di IA di Google. (Fonte)

Come AlphaEarth usa la visione artificiale per l'osservazione della Terra#

Sebbene le immagini satellitari possano essere usate per acquisire viste dettagliate della superficie terrestre, trasformarle in informazioni utili non è sempre semplice. AlphaEarth Foundations usa la visione artificiale, un ramo dell'IA che consente alle macchine di interpretare le informazioni visive, per rilevare e analizzare schemi nel territorio, nella vegetazione e nel terreno.

Ecco come il modello applica diverse attività di visione artificiale all'osservazione della Terra:

• Classificazione delle immagini: AlphaEarth identifica tipi di territorio come foreste, terreni coltivati, zone umide e aree urbane a partire da immagini satellitari. Queste classificazioni supportano il monitoraggio climatico, la ricerca ecologica e la pianificazione dell'uso del suolo.
• Segmentazione: detta anche mappatura tematica, la segmentazione assegna a ogni pixel di un'immagine satellitare una categoria, come il tipo di coltura o la copertura vegetale. AlphaEarth usa i suoi embedding annuali per mantenere un'elevata precisione in diverse regioni, consentendo una mappatura dettagliata dell'uso del suolo, della copertura del suolo e della biodiversità.
• Rilevamento dei cambiamenti: confrontando gli embedding annuali della stessa località, AlphaEarth può rilevare variazioni nell'uso e nella copertura del suolo, come la deforestazione, gli effetti degli incendi boschivi o l'espansione urbana. Funziona sia con metodi supervisionati (che apprendono da esempi etichettati) sia con metodi non supervisionati (che individuano schemi senza etichette).
• Raggruppamento non supervisionato: senza usare dati etichettati, AlphaEarth può raggruppare regioni che presentano schemi simili nelle immagini satellitari. Questo aiuta a rilevare tendenze come variazioni della vegetazione o anomalie climatiche in aree nuove o poco studiate. È particolarmente utile quando i dati etichettati sono limitati o assenti.

Fig. 3. Uno sguardo all'uso di AlphaEarth per comprendere l'ambiente terrestre nel 2023. (Fonte)

Applicazioni nel mondo reale del nuovo modello di IA di Google#

Ora che abbiamo visto come funziona AlphaEarth, esploriamone le applicazioni nel mondo reale.

L'iniziativa di IA di Google Earth per città statunitensi più verdi#

In tutti gli Stati Uniti, le città stanno ampliando le foreste urbane per ridurre il calore, assorbire l'inquinamento e migliorare la salute pubblica. Tuttavia, individuare esattamente dove si trovano gli alberi e dove mancano può essere difficile. Nei quartieri densamente popolati e nelle strade strette, il verde spesso non viene rilevato nelle immagini satellitari o nei rilevamenti tradizionali.

Tuttavia, AlphaEarth utilizza dati satellitari, altimetrici e ambientali per mappare la copertura arborea con grande precisione. Per testare il modello, i ricercatori hanno utilizzato oltre 45.000 registrazioni di alberi provenienti da iNaturalist.

Si sono concentrati su 39 generi comuni di alberi (gruppi di specie strettamente imparentate) presenti in tutti gli stati degli Stati Uniti, tra cui Alaska e Hawaii. I dati sono stati ripuliti e suddivisi in insiemi di addestramento e test: per l'addestramento sono stati usati 300 campioni per genere e i restanti per i test.

Il modello ha mappato accuratamente la copertura arborea a partire da dati satellitari, altimetrici e ambientali, dimostrando di poter colmare le lacune lasciate dai rilevamenti tradizionali. Queste informazioni possono aiutare città come Detroit, New York e Phoenix a decidere meglio dove piantare alberi, rinfrescare i quartieri e sostenere la biodiversità locale.

Mappatura più intelligente delle colture grazie ai satelliti per l'osservazione della Terra#

L'inventario delle colture del Canada dipende in larga misura dalle osservazioni sul campo, soprattutto nelle aree prive di registri assicurativi delle colture (report ufficiali sul tipo di coltura, la località e la superficie, raccolti per i programmi di assicurazione agricola). Questi rilevamenti dal veicolo, spesso effettuati da mezzi in movimento, servono a monitorare le principali colture, come cereali, semi oleosi, frutta e foraggi.

Tuttavia, poiché alcuni tipi di coltura vengono registrati più spesso di altri, i dati possono essere disomogenei e difficili da trasformare in mappe affidabili su larga scala. Per affrontare questi problemi, AlphaEarth può supportare la classificazione delle colture sia a livello generale sia con un alto grado di dettaglio, sulla base dei dati dei satelliti per l'osservazione della Terra.

Può raggruppare le colture in categorie ampie, come cereali o semi oleosi. Nelle regioni in cui sono disponibili dati dettagliati dei rilevamenti, può anche identificare tipi specifici come grano primaverile, mais o erba medica. Questo approccio a due livelli bilancia copertura e dettaglio, offrendo un quadro più chiaro di ciò che viene coltivato in Canada.

Fig. 4. Google AlphaEarth aiuta a classificare le colture in Canada. (Fonte)

Esplorare i terreni di tutto il mondo con la tecnologia di IA di Google Earth#

L'Antartide è uno dei luoghi più difficili da mappare sulla Terra, a causa del clima estremo, della copertura nevosa costante e della visibilità satellitare limitata. Questo lascia lacune nella nostra comprensione dei suoi ghiacciai, delle rocce affioranti e dei cambiamenti del paesaggio nel tempo.

Combinando immagini satellitari con dati radar e altimetrici, AlphaEarth produce mappe annuali coerenti dell'Antartide, anche nelle aree con visibilità limitata. Può colmare i dettagli mancanti e generare mappe del terreno con una risoluzione di 10 metri, che aiutano i ricercatori a monitorare con maggiore precisione i ghiacciai, le caratteristiche della superficie e i terreni coperti di neve.

Pro e contro del nuovo modello di IA: AlphaEarth#

Ecco alcuni dei principali vantaggi offerti da AlphaEarth Foundations per le applicazioni di osservazione della Terra e pianificazione urbana:

• Versatilità: AlphaEarth può essere usato in diversi ambiti, come l'agricoltura, la pianificazione urbana e la gestione delle calamità, senza bisogno di modelli separati.
• Colma le lacune nei dati: AlphaEarth può creare riepiloghi annuali anche quando i dati satellitari in ingresso sono incompleti, contribuendo a mantenere la continuità nell'analisi delle serie temporali.
• Output pronti per l'IA: genera embedding che possono alimentare direttamente strumenti come sistemi di monitoraggio delle colture, rilevatori di inondazioni o classificatori dell'uso del suolo, facendo risparmiare tempo a ricercatori e sviluppatori.

Sebbene AlphaEarth offra un supporto affidabile in diversi ambiti, ecco alcune limitazioni da tenere a mente:

• Non è in tempo reale: gli embedding annuali di AlphaEarth non sono adatti alle applicazioni che richiedono un monitoraggio quotidiano o quasi in tempo reale.
• Dipende dalla qualità dei dati in ingresso: anche se colma le lacune, il modello dipende ancora dalla qualità e dalla disponibilità dei dati satellitari, radar e delle altre fonti di dati in ingresso.
• Interpretabilità limitata: come accade con la maggior parte dei modelli di deep learning, può essere difficile interpretare esattamente come AlphaEarth arrivi a determinati schemi o previsioni.

Punti chiave#

AlphaEarth Foundations aiuta ricercatori, urbanisti e responsabili politici a vedere il pianeta in modi nuovi. Il nuovo modello di IA di Google può trasformare i dati satellitari grezzi in informazioni strutturate e affidabili, utili a prendere decisioni migliori in ambiti come la scienza del clima, l'agricoltura e lo sviluppo urbano. Promuovendo l'osservazione della Terra, facilita il monitoraggio e la comprensione dei cambiamenti del nostro pianeta nel tempo.

Unisciti alla nostra community ed esplora le innovazioni nell'IA sul nostro repository GitHub. Scopri l'IA in agricoltura e la visione artificiale in ambito sanitario attraverso le nostre pagine dedicate alle soluzioni. Dai un'occhiata ai nostri piani di licenza e inizia oggi a usare l'IA!