Google AlphaEarth utilizza dati di osservazione per la mappatura globale

Presentato il 30 luglio 2025, AlphaEarth Foundations è un modello di base geospaziale sviluppato da Google DeepMind. È uno dei punti salienti nelle recenti notizie sull'IA di Google ed è progettato per rendere il lavoro con i dati di osservazione globale della Terra più rapido, chiaro e affidabile.

AlphaEarth Foundations è addestrato su miliardi di punti dati provenienti da immagini satellitari, radar, LiDAR (Light Detection and Ranging), modelli di elevazione e simulazioni climatiche. Utilizzando questa vasta gamma di input, crea viste annuali del pianeta con una risoluzione di 10 metri.

In parole povere, questo significa che può produrre mappe chiare e coerenti della superficie terrestre, anche nelle aree difficili da vedere, in modo che i cambiamenti nel territorio, nell'acqua e nel clima siano più facili da individuare e monitorare nel tempo. 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 utilizza l'IA per Google Earth Engine a supporto di progetti di osservazione della Terra nel mondo reale.

Link to this sectionAlphaEarth: il nuovo modello di IA di Google per l'osservazione della Terra#

AlphaEarth Foundations offre un nuovo modo per comprendere il nostro pianeta attraverso un sistema continuo e dinamico. Invece di visualizzare ogni immagine separatamente, il nuovo modello di IA costruisce un quadro unificato e strutturato della superficie terrestre attraverso lo spazio e il tempo.

Per creare questa vista, attinge a una vasta gamma di fonti, tra cui immagini satellitari, mappe di elevazione, modelli climatici e rapporti sulla biodiversità. Questo lo aiuta a individuare i cambiamenti nell'ambiente e ad analizzarne le ragioni sottostanti.

In particolare, AlphaEarth può mostrare come i paesaggi terrestri stiano cambiando nel corso degli anni. Queste istantanee sono costruite utilizzando embedding, ovvero riassunti compatti di ciò che il modello ha appreso su ogni posizione.

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

Una raccolta di questi embedding è disponibile tramite il dataset Satellite Embedding di Google Earth Engine. Sono già utilizzati in settori come la risposta agli incendi, la pianificazione urbana e il monitoraggio del territorio. Questo aiuta ricercatori e decisori a trasformare i dati satellitari in insight utili.

Link to this sectionIA e clima: il significato di AlphaEarth#

Un vantaggio chiave di AlphaEarth Foundations è che rende più facile studiare i cambiamenti a lungo termine del nostro pianeta. Funziona bene anche in aree difficili dove i dati mancano o le nuvole bloccano spesso le viste satellitari. Ad esempio, nella foresta pluviale amazzonica, dove la copertura nuvolosa è un problema costante, AlphaEarth riesce comunque a individuare i cambiamenti del territorio imparando dai modelli globali.

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 ha bisogno di essere riaddestrato per ogni applicazione.

È efficiente e adattabile a diverse regioni e sfide. Questo perché AlphaEarth produce embedding di uso generale, ovvero riassunti compatti e ricchi di informazioni di ogni posizione, che possono essere utilizzati direttamente per molti tipi di analisi senza dover ricostruire l'intero modello.

Finora, il nuovo modello di IA di Google Earth è stato utilizzato per monitorare i cambiamenti del territorio in oltre 100 paesi, tra cui foreste tropicali, regioni artiche e città in espansione. Questi insight vengono utilizzati per supportare una pianificazione più intelligente e decisioni climatiche più informate.

Fig 2. Visualizzazione dei modelli globali con il nuovo modello di IA di Google. (Fonte)

Link to this sectionCome AlphaEarth utilizza la computer vision per l'osservazione della Terra#

Sebbene le immagini satellitari possano essere utilizzate per catturare viste dettagliate della superficie terrestre, trasformare tali immagini in insight significativi non è sempre semplice. AlphaEarth Foundations utilizza la computer vision, un ramo dell'IA che consente alle macchine di interpretare le informazioni visive, per rilevare e analizzare modelli su terra, vegetazione e terreno.

Ecco come il modello applica diversi compiti di computer vision all'osservazione della Terra:

• Classificazione delle immagini: AlphaEarth identifica tipi di territorio come foreste, terreni coltivati, zone umide e aree urbane dalle immagini satellitari. Queste classificazioni supportano il monitoraggio climatico, la ricerca ecologica e la pianificazione dell'uso del suolo.
• Segmentazione: Chiamata anche mappatura tematica, la segmentazione etichetta ogni pixel in un'immagine satellitare con una categoria come il tipo di coltura o la copertura vegetale. AlphaEarth utilizza i suoi embedding annuali per mantenere un'elevata precisione tra le regioni, consentendo una mappatura granulare per l'uso del suolo, la copertura del suolo e la biodiversità.
• Rilevamento dei cambiamenti: Confrontando gli embedding annuali per la stessa posizione, AlphaEarth può rilevare spostamenti nell'uso del suolo e nella copertura del suolo, come deforestazione, impatti di incendi boschivi o crescita urbana. Funziona sia con metodi supervisionati (apprendimento da esempi etichettati) che non supervisionati (ricerca di modelli senza etichette).
• Clustering non supervisionato: Senza utilizzare dati etichettati, AlphaEarth può raggruppare regioni che mostrano modelli simili nelle immagini satellitari. Questo aiuta a rilevare tendenze come spostamenti della vegetazione o anomalie climatiche in aree nuove o poco studiate. È particolarmente efficace quando i dati etichettati sono limitati o mancanti.

Fig 3. Uno sguardo all'utilizzo dell'IA per l'ultima innovazione di Google, AlphaEarth, per comprendere l'ambiente terrestre nel 2023. (Fonte)

Link to this sectionApplicazioni nel mondo reale del nuovo modello di IA di Google#

Con una migliore comprensione di come funziona l'IA per le nuove tecnologie di osservazione della Terra di Google, esploriamo le applicazioni nel mondo reale di AlphaEarth Foundations.

Link to this sectionL'iniziativa di IA di Google Earth per città statunitensi più verdi#

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

Tuttavia, AlphaEarth utilizza dati satellitari, di elevazione e ambientali per mappare la copertura arborea con grande dettaglio. Per testare questo nuovo modello di IA di Google, i ricercatori hanno utilizzato oltre 45.000 record di alberi da iNaturalist.

Si sono concentrati su 39 generi di alberi comuni (gruppi di specie strettamente correlate) presenti in tutti gli stati degli Stati Uniti, inclusi Alaska e Hawaii. I dati sono stati puliti e suddivisi in set di addestramento e di test, con 300 campioni per genere utilizzati per l'addestramento e il resto per il test.

Il modello ha mappato accuratamente la copertura arborea da dati satellitari, di elevazione e ambientali, dimostrando di poter colmare le lacune lasciate dai sondaggi tradizionali. Questi insight possono aiutare città come Detroit, New York e Phoenix a prendere decisioni migliori su dove piantare alberi, raffreddare i quartieri e supportare la biodiversità locale.

Link to this sectionMappatura più intelligente delle colture potenziata dai satelliti di osservazione della Terra#

L'inventario delle colture del Canada dipende fortemente dalle osservazioni a livello di campo, specialmente nelle aree senza registri di assicurazione agricola (rapporti ufficiali su tipo di coltura, posizione e superficie raccolti per i programmi di assicurazione agricola). Questi sondaggi, spesso effettuati da veicoli in movimento, vengono utilizzati per monitorare le principali colture come cereali, semi oleosi, frutta e foraggi.

Ma poiché alcuni tipi di colture vengono registrati più frequentemente di altri, i dati possono essere irregolari e difficili da convertire in mappe affidabili su larga scala. Per aggirare questi problemi, AlphaEarth può supportare sia la classificazione delle colture di alto livello che quella granulare basata sui dati dei satelliti di osservazione della Terra.

Può raggruppare le colture in ampie categorie come cereali o semi oleosi. Nelle regioni in cui sono disponibili dati di sondaggio dettagliati, 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 tutto il Canada.

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

Link to this sectionEsplorazione dei terreni globali con l'IA per la tecnologia di Google Earth#

L'Antartide è uno dei luoghi più difficili da mappare sulla Terra, con condizioni meteorologiche estreme, copertura nevosa costante e visibilità satellitare limitata. Questo lascia lacune nella nostra comprensione dei suoi ghiacciai, delle rocce esposte e di come il paesaggio stia cambiando nel tempo.

Combinando immagini satellitari con dati radar e di elevazione, AlphaEarth produce mappe annuali coerenti dell'Antartide, anche in aree con visibilità limitata. Può colmare i dettagli mancanti e generare mappe del terreno con risoluzione di 10 metri che aiutano i ricercatori a tracciare ghiacciai, trame superficiali e terreni coperti di neve con maggiore precisione.

Link to this sectionPro e contro del nuovo modello di IA: AlphaEarth#

Ecco alcuni dei principali vantaggi che il nuovo modello di IA, AlphaEarth Foundations, offre per le applicazioni di osservazione della Terra e pianificazione urbana:

• Versatilità: AlphaEarth può essere utilizzato in molteplici campi come agricoltura, pianificazione urbana e risposta ai disastri senza la necessità di modelli separati.
• Colma le lacune nei dati: Questo nuovo modello di IA di Google può creare riassunti annuali anche quando l'input satellitare è incompleto, aiutando a mantenere la continuità nell'analisi delle serie temporali.
• Output pronti per l'IA: Produce embedding che possono alimentare direttamente strumenti come monitor di colture, rilevatori di inondazioni o classificatori dell'uso del suolo, facendo risparmiare tempo a ricercatori e sviluppatori.

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

• Non in tempo reale: Gli embedding annuali di AlphaEarth non sono adatti per applicazioni che richiedono un monitoraggio giornaliero o quasi in tempo reale.
• Dipende dalla qualità dell'input: Sebbene colmi le lacune, il modello si basa ancora sulla qualità e sulla disponibilità di dati satellitari, radar e altre fonti di input.
• Interpretabilità limitata: Come per la maggior parte dei modelli di deep learning, può essere difficile interpretare esattamente come AlphaEarth arrivi a determinati modelli o previsioni.

Link to this sectionPunti chiave#

AlphaEarth Foundation sta aiutando ricercatori, pianificatori e responsabili politici a vedere il pianeta in modi nuovi. Il nuovo modello di IA di Google può trasformare gli input satellitari grezzi in informazioni strutturate e affidabili che supportano decisioni migliori in settori come la scienza del clima, l'agricoltura e lo sviluppo urbano. Avanzando l'osservazione della Terra, rende più facile monitorare e comprendere i cambiamenti del nostro pianeta nel tempo.

Unisciti alla nostra community ed esplora le innovazioni dell'IA sul nostro repository GitHub. Scopri l'IA nell'agricoltura e la computer vision nell'assistenza sanitaria attraverso le nostre pagine dedicate alle soluzioni. Dai un'occhiata ai nostri piani di licenza e inizia a lavorare con l'IA oggi stesso!