Google AlphaEarthは、地球規模のマッピングに観測データを使用しています。

2025年7月30日に発表されたAlphaEarth Foundationsは、Google DeepMindが開発した地球空間基盤モデルです。これはGoogleの最近のAIニュースにおけるハイライトの1つであり、地球観測データをより迅速かつ明確に、そして信頼性の高い方法で扱えるように構築されています。

AlphaEarth Foundationsは、satellite imagery、レーダー、LiDAR（光検出と測距）、標高モデル、気候シミュレーションからの数10億ものデータポイントでトレーニングされています。この幅広い入力を使用して、地球の10メートル解像度での年間ビューを作成します。

簡単に言うと、これは地球表面の鮮明で一貫性のあるマップを作成できることを意味しており、見えにくいエリアであっても、土地、水、climateの変化を容易に見つけて時間の経過とともに追跡できるようになります。これらのスナップショットは、地理空間データのためのGoogleのクラウドプラットフォームであるGoogle Earth Engineを通じて現在利用可能です。

この記事では、AlphaEarth FoundationsがGoogle Earth Engine向けにAIを使用して、現実世界の地球観測プロジェクトをどのようにサポートしているかを見ていきます。

AlphaEarth：Googleの新しい地球観測用AIモデル#

AlphaEarth Foundationsは、継続的かつ動的なシステムを通じて地球を理解するための新しい方法を提供します。各画像を個別に表示するのではなく、新しいAIモデルは空間と時間の両方にわたって、地球表面の統合された構造的な画像を作成します。

このビューを作成するために、衛星画像、標高マップ、気候モデル、生物多様性に関する報告書など、幅広いソースを活用しています。これにより、環境の変化を把握し、その背後にある理由を分析するのに役立ちます。

特にAlphaEarthは、地球の景観がどのように年々変化しているかを示します。これらのスナップショットは、モデルが各場所について学習した内容をコンパクトに要約した埋め込み（embeddings）を使用して構築されています。

図1: GoogleのAIモデルは、数値埋め込みを使用して地球の表面をマッピングします。(Source)

これらの埋め込みのコレクションは、Google Earth EngineのSatellite Embedding datasetを介して利用可能です。これらはすでにwildfire response、都市計画、土地モニタリングなどの分野で使用されています。これにより、研究者や意思決定者が衛星データを有用な洞察に変えることができます。

AIと気候：AlphaEarthの重要性#

AlphaEarth Foundationsの重要な利点は、地球の長期的な変化の研究を容易にすることです。データが不足している、または雲が衛星の視界を遮ることが多い困難な地域でも良好に機能します。例えば、常に雲に覆われているアマゾンの熱帯雨林でも、世界中のパターンから学習することで土地の変化を特定できます。

ベンチマークテストでは、誤分類エラーを約24%削減し、埋め込みあたりのストレージ要件を16分の1に減らしました。興味深いことに、この新しいAIモデルはアプリケーションごとに再トレーニングする必要はありません。

効率的で、さまざまな地域や課題に適応可能です。これは、AlphaEarthが各場所の情報を豊富に含んだコンパクトな要約である汎用埋め込みを生成し、モデル全体を再構築することなく多くの分析タイプに直接使用できるためです。

これまで、新しいGoogle Earth AIモデルは、tropical forests、北極圏、拡大する都市など、100カ国以上での土地変化のモニタリングに使用されてきました。これらの洞察は、よりスマートな計画と、より情報に基づいた気候に関する決定をサポートするために使用されています。

図2: Googleの新しいAIモデルによるグローバルパターンの視覚化。(Source)

AlphaEarthが地球観測にコンピュータービジョンを使用する方法#

衛星画像を使用して地球表面の詳細なビューをキャプチャすることは可能ですが、それらの画像を意味のある洞察に変換することは常に簡単であるとは限りません。AlphaEarth Foundationsは、機械が視覚情報を解釈できるようにするAIの1分野であるcomputer visionを使用して、土地、植生、地形全体のパターンを検出し、分析します。

モデルが地球観測にさまざまなcomputer vision tasksをどのように適用するかは次のとおりです。

• Image classification: AlphaEarthは、衛星画像から森林、農地、湿地、都市部などの土地タイプを特定します。これらの分類は、気候モニタリング、生態学的研究、および土地利用計画をサポートします。
• Segmentation: 主題図作成とも呼ばれるセグメンテーションは、衛星画像内の各ピクセルに作物タイプや植生被覆などのカテゴリのラベルを付けます。AlphaEarthは、年次埋め込みを使用して地域全体で高い精度を維持し、土地利用、土地被覆、および生物多様性のためのきめ細かいマッピングを可能にします。
• 変化検出: 同じ場所の年次埋め込みを比較することにより、AlphaEarthは、deforestation、山火事の影響、都市の成長などの土地利用および土地被覆の変化を検出できます。教師あり学習（ラベル付けされた例から学習する）と教師なし学習（ラベルなしでパターンを見つける）の両方の手法に対応しています。
• 教師なしクラスタリング： ラベル付きデータを使用せずに、AlphaEarthは衛星画像で同様のパターンを示す地域をグループ化できます。これは、新しい地域や研究が進んでいない地域での植生の変化や気候異常などの傾向を検出するのに役立ちます。特に、ラベル付きデータが限られているか欠落している場合に大きな効果を発揮します。

図3: 2023年の地球環境を理解するためのGoogleの最新のイノベーションであるAlphaEarthでのAIの活用の様子。(Source)

Googleの新しいAIモデルの現実世界での応用#

Googleの新しい地球観測テクノロジーのためのAIがどのように機能するかを理解したところで、AlphaEarth Foundationsの現実世界での応用を詳しく見ていきましょう。

より環境に優しい米国の都市のためのGoogle EarthのAIイニシアチブ#

米国全体で、都市は熱を減らし、汚染を吸収し、公衆衛生を向上させるために都市林を増やしています。しかし、木々がどこにあるのか、どこにないのかを正確に特定することは困難な場合があります。密集した地域や狭い通りでは、衛星画像や従来の調査では緑地が見過ごされることがよくあります。

ただし、AlphaEarthは衛星、標高、および環境データを使用して、詳細に樹木被覆をマッピングします。この新しいGoogle AIモデルをテストするために、researchersはiNaturalistからの45,000件以上の樹木レコードを使用しました。

彼らは、アラスカやハワイを含むすべての米国州で見られる39の一般的な樹木属（密接に関連する種のグループ）に焦点を当てました。データはクリーニングされてトレーニングセットとテストセットに分割され、各属につき300のサンプルがトレーニングに使用され、残りがテストに使用されました。

このモデルは、衛星、標高、環境データから樹木被覆を正確にマッピングし、従来の調査に残された空白を埋めることができることを示しました。これらの洞察は、デトロイト、ニューヨーク、フェニックスなどの都市が、樹木をどこに植え、近隣を涼しくし、local biodiversityをサポートするかについて、より良い決定を下すのに役立ちます。

地球観測衛星を活用したよりスマートな作物マッピング#

カナダの作物目録は、特に作物保険記録（農業保険プログラムのために収集された作物タイプ、場所、面積の公式報告）がない地域では、フィールドレベルの観察に大きく依存しています。移動中の車両から行われることが多いこれらの目視調査は、穀物、油糧種子、果物、牧草などの主要な作物を追跡するために使用されます。

しかし、一部の作物タイプは他のタイプよりも頻繁に記録されるため、データが不均一になり、信頼性の高い大規模なマップに変換するのが難しくなる場合があります。これらの問題に対処するため、AlphaEarthは、地球観測衛星からのデータに基づいて、高レベルおよびきめ細かいcrop classificationの両方をサポートできます。

作物を穀物や油糧種子などの幅広いカテゴリにグループ化できます。詳細な調査データが利用可能な地域では、春小麦、トウモロコシ、アルファルファなどの特定のタイプを識別することもできます。この2段階のアプローチは、カバレッジと詳細のバランスを取り、カナダ全土で何が栽培されているかをより明確に示します。

図4: Google AlphaEarthは、カナダ全域での作物の分類を支援します。(Source)

Google Earthテクノロジー用AIで地球規模の地形を探る#

南極大陸は、極端な気候、絶え間ない積雪、衛星の視認性の制限により、地球上で最もマッピングが困難な場所の1つです。これにより、氷河、露出した岩石、そして時間の経過とともに景観がどのように変化しているかについての理解にギャップが生じています。

衛星画像とレーダーおよび標高データを組み合わせることで、AlphaEarthは視界が制限されている地域でも南極大陸の一貫した年次マップを作成します。欠落している詳細を埋め、氷河、地表の質感、積雪地帯をより正確に追跡するのに役立つ10メートル解像度の地形マップを生成できます。

新しいAIモデル「AlphaEarth」の利点と欠点#

新しいAIモデル「AlphaEarth Foundations」が、地球観測および都市計画アプリケーションにもたらす主な利点は以下の通りです：

• 汎用性： AlphaEarthは、個別のモデルを必要とせずに、農業、都市計画、災害対応などの複数の分野で使用できます。
• データギャップの解消： この新しいAI Googleモデルは、衛星入力が不完全な場合でも年次サマリーを作成でき、時系列分析の一貫性を維持するのに役立ちます。
• AI対応の出力： 作物モニター、洪水検出器、土地利用分類器などのツールに直接供給できる埋め込みを生成し、研究者や開発者の時間を節約します。

AlphaEarthはさまざまなドメインで信頼性の高いサポートを提供しますが、留意すべき制限事項がいくつかあります：

• リアルタイムではない： AlphaEarthの年次埋め込みは、日次または準リアルタイムの監視を必要とするアプリケーションには適していません。
• 入力品質への依存： ギャップを埋める一方で、モデルは依然として衛星、レーダー、その他の入力データソースの品質と可用性に依存しています。
• 解釈性の制限: ほとんどのdeep learningモデルと同様に、AlphaEarthが特定のパターンや予測にどのように到達するかを正確に解釈することは難しい場合があります。

重要なポイント#

AlphaEarth Foundationは、研究者、計画立案者、政策立案者が新しい方法で地球を見るのを支援しています。Googleの新しいAIモデルは、生の衛星入力を構造化された信頼性の高い情報に変え、気候科学、農業、都市開発などの分野でより良い決定をサポートします。地球観測を進歩させることで、時間の経過に伴う地球の変化を監視し理解しやすくなっています。

our communityに参加して、GitHub repositoryでAIのイノベーションを探索してください。ソリューションページを通じて、AI in agricultureおよびcomputer vision in healthcareについて学びましょう。our licensing plansを確認し、今すぐAIを始めましょう！