Google AlphaEarthが観測データを世界規模のマッピングに活用

2025年7月30日に発表されたAlphaEarth Foundationsは、Google DeepMindが開発した地理空間基盤モデルです。最近のGoogle AI関連ニュースで注目を集めたものの一つであり、地球全体の観測データをより迅速かつ明確、さらに信頼性の高い形で扱えるように設計されています。

AlphaEarth Foundationsは、衛星画像、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得られた数十億件のデータポイントでトレーニングされています。こうした幅広い入力を使用して、地球を毎年、10メートル解像度で表現したビューを作成します。

簡単に言えば、見通しの悪い地域であっても地表の明瞭で一貫したマップを作成できるため、土地、水域、気候の変化を見つけ、経時的に追跡しやすくなります。これらのスナップショットは現在、Googleの地理空間データ向けクラウドプラットフォームであるGoogle Earth Engineを通じて利用できます。

この記事では、AlphaEarth FoundationsがGoogle Earth Engine向けのAIをどのように活用し、実際の地球観測プロジェクトを支援しているのかを見ていきます。

AlphaEarth：Googleの新しい地球観測向け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新しい方法を提供します。新しいAIモデルは各画像を個別に見るのではなく、空間と時間の両面にわたる地表の統合された構造化画像を構築します。

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レポートなど、幅広い情報源を利用します。これにより、環境の変化を捉え、その原因を分析できます。

特にAlphaEarthは、地球の景観が年月とともにどのように変化しているかを示すことができます。これらのスナップショットは、各場所についてモデルが学習した内容を簡潔にまとめたembeddings（埋め込み）を使用して構築されます。

図1. GoogleのAIモデルは数値embeddingsを使用して地表をマッピングします。(出典)

これらのembeddingsのコレクションは、Google Earth EngineのSatellite Embedding datasetから利用できます。すでに山火事対応、都市計画、土地モニタリングなどの分野で活用されています。これにより、研究者や意思決定者は衛星データを有用なインサイトに変換できます。

AIと気候：AlphaEarthの意義#

AlphaEarth Foundationsの主な利点は、地球の長期的な変化を調査しやすくすることです。データが欠落していたり、雲によって衛星画像が頻繁に遮られたりする難しい地域でも適切に機能します。例えば、雲に覆われることが常に課題となるアマゾン熱帯雨林でも、AlphaEarthは世界各地のパターンから学習することで土地の変化を捉えられます。

ベンチマークテストでは、誤分類エラーを約24%削減し、embeddingsあたりに必要なストレージを16分の1にしました。興味深いことに、この新しいAIモデルは用途ごとに再トレーニングする必要がありません。

さまざまな地域や課題に対して効率的かつ柔軟に適応できます。これは、AlphaEarthが汎用embeddings、つまり各場所の情報を豊富に含む簡潔な要約を生成するためです。これらはモデル全体を再構築することなく、多くの種類の分析に直接使用できます。

これまでに、この新しいGoogle Earth向けAIモデルは、熱帯林、北極圏、拡大する都市など、100か国以上にわたる土地の変化のモニタリングに使用されています。これらのインサイトは、より適切な計画策定や、より多くの情報に基づく気候関連の意思決定を支援するために活用されています。

図2. Googleの新しいAIモデルで地球規模のパターンを可視化。(出典)

AlphaEarthがコンピュータービジョンを地球観測に活用する方法#

衛星画像を使用すれば地表を詳細に捉えられますが、それらの画像を意味のあるインサイトに変換することは必ずしも簡単ではありません。AlphaEarth Foundationsは、機械が視覚情報を解釈できるようにするAIの一分野であるコンピュータービジョンを使用して、土地、植生、地形にまたがるパターンを検出・分析します。

モデルがさまざまなコンピュータービジョンタスクを地球観測に適用する方法は、次のとおりです。

• 画像分類：AlphaEarthは衛星画像から、森林、耕作地、湿地、都市部などの土地の種類を識別します。これらの分類は、気候モニタリング、生態学研究、土地利用計画を支援します。
• セグメンテーション：テーママッピングとも呼ばれるセグメンテーションでは、衛星画像の各ピクセルに作物の種類や植生被覆などのカテゴリーを付与します。AlphaEarthは年次embeddingsを使用して地域間で高い精度を維持し、土地利用、土地被覆、生物多様性の詳細なマッピングを可能にします。
• **変化検出：**同じ場所の年次embeddingsを比較することで、AlphaEarthは森林破壊、山火事の影響、都市の拡大など、土地利用や土地被覆の変化を検出できます。ラベル付きの例から学習する教師あり手法と、ラベルなしでパターンを見つける教師なし手法の両方に対応します。
• **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は衛星画像で類似したパターンを示す地域をグループ化できます。これにより、新しい地域や十分に研究されていない地域で、植生の変化や気候異常などの傾向を検出できます。ラベル付きデータが限られている、または存在しない場合に特に効果を発揮します。

図3. Googleの最新イノベーションであるAlphaEarthにAIを活用し、2023年の地球環境を理解する様子。(出典)

Googleの新しいAIモデルの実用例#

Googleの新しい地球観測テクノロジー向けAIの仕組みをより深く理解したところで、AlphaEarth Foundationsの実用例を見ていきましょう。

より環境に配慮した米国の都市に向けたGoogle EarthのAIイニシアチブ#

米国全土で、都市は暑さを軽減し、汚染を吸収し、公衆衛生を向上させるために都市林を拡大しています。しかし、木が正確にどこにあり、どこにないのかを特定するのは困難です。人口密度の高い地域や狭い道路では、衛星画像や従来の調査で緑地が見落とされることがよくあります。

一方、AlphaEarthは衛星、標高、環境データを使用して、樹木被覆を詳細にマッピングします。この新しいGoogle AIモデルをテストするため、研究者はiNaturalistから45,000件を超える樹木記録を使用しました。

研究者は、アラスカ州とハワイ州を含む米国全州で見られる39の一般的な樹木属（近縁な種のグループ）に焦点を当てました。データをクリーニングしてトレーニングセットとテストセットに分割し、各属から300サンプルをトレーニングに使用し、残りをテストに使用しました。

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、従来の調査で生じる空白を埋められることを示しました。これらのインサイトは、デトロイト、ニューヨーク、フェニックスなどの都市が、植樹場所の決定、地域の冷却、地域の生物多様性の支援をより適切に行うのに役立ちます。

地球観測衛星が支える、よりスマートな作物マッピング#

カナダの作物インベントリは、特に作物保険記録（農業保険プログラム向けに収集される作物の種類、場所、作付面積に関する公式報告）がない地域で、圃場レベルの観測に大きく依存しています。こうした車窓からの調査は、走行中の車両から実施されることが多く、穀物、油糧種子、果物、飼料作物などの主要作物を追跡するために使用されます。

しかし、一部の作物の種類は他よりも頻繁に記録されるため、データに偏りが生じ、信頼性の高い大規模マップに変換することが困難になる場合があります。こうした問題に対処するため、AlphaEarthは地球観測衛星のデータに基づき、概略レベルと詳細レベルの両方の作物分類を支援できます。

作物を穀物や油糧種子などの大まかなカテゴリーに分類できます。詳細な調査データが利用できる地域では、春小麦、トウモロコシ、アルファルファなどの具体的な種類も識別できます。この2段階のアプローチは、カナダ全土で何が栽培されているのかをより明確に示しながら、網羅性と詳細さのバランスを取ります。

図4. Google AlphaEarthはカナダの作物分類を支援します。(出典)

Google Earthテクノロジー向けAIで地球規模の地形を探索する#

南極大陸は、極端な気象、絶え間ない積雪、限られた衛星可視性により、地球上でマッピングが最も難しい場所の一つです。そのため、氷河、露出した岩盤、時間の経過に伴う景観の変化についての理解に空白が生じています。

AlphaEarthは、衛星画像とレーダー、標高データを組み合わせることで、可視性が限られた地域でも南極大陸の一貫した年間マップを作成します。欠落した詳細を補完し、研究者が氷河、地表テクスチャ、雪に覆われた土地をより正確に追跡できる10メートル解像度の地形マップを生成します。

新しいAIモデルAlphaEarthの長所と短所#

新しいAIモデルAlphaEarth Foundationsが、地球観測や都市計画の用途に提供する主な利点をいくつか紹介します。

• **汎用性：**AlphaEarthは、個別のモデルを必要とせず、農業、都市計画、災害対応など複数の分野で使用できます。
• **データの空白を補完：**この新しいGoogle AIモデルは、衛星入力が不完全な場合でも年間の要約を作成できるため、時系列分析の継続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入力できるembeddingsを生成し、研究者や開発者の時間を節約します。

AlphaEarthはさまざまな領域で信頼性の高い支援を提供しますが、留意すべき制限事項もいくつかあります。

• **リアルタイムではない：**AlphaEarthの年間embeddingsは、毎日またはほぼリアルタイムのモニタリングを必要とする用途には適していません。
• **入力品質に依存：**空白を補完できますが、モデルは衛星、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然として依存します。
• **解釈性が限定的：**ほとんどのディープラーニングモデルと同様に、AlphaEarthが特定のパターンや予測をどのように導き出したのかを正確に解釈することは困難な場合があります。

主なポイント#

AlphaEarth Foundationは、研究者、プランナー、政策立案者が新たな方法で地球を捉えることを支援しています。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換し、気候科学、農業、都市開発などの分野でより良い意思決定を支えます。地球観測を進歩させることで、地球の経時的な変化をモニタリングし、理解しやすくしています。

私たちのコミュニティに参加し、GitHubリポジトリでAI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で農業におけるAIとヘルスケアにおけるコンピュータービジョンについて学べます。ライセンスプランを確認して、今すぐAIを始めましょう。