Google AlphaEarth usa dados de observação para criar mapas globais

Apresentado a 30 de julho de 2025, o AlphaEarth Foundations é um modelo geoespacial de base desenvolvido pela Google DeepMind. É um dos destaques das notícias recentes sobre IA da Google e foi concebido para tornar o trabalho com dados globais de observação da Terra mais rápido, claro e fiável.

O AlphaEarth Foundations foi treinado com milhares de milhões de pontos de dados provenientes de imagens de satélite, radar, LiDAR (deteção e medição da distância por luz), modelos de elevação e simulações climáticas. Com esta ampla variedade de dados de entrada, cria vistas anuais do planeta com uma resolução de 10 metros.

Em termos simples, isto significa que consegue produzir mapas claros e consistentes da superfície terrestre, mesmo em zonas difíceis de observar, facilitando a identificação e o acompanhamento, ao longo do tempo, de alterações na terra, na água e no clima. Estas imagens estão agora disponíveis através do Google Earth Engine, a plataforma na nuvem da Google para dados geoespaciais.

Neste artigo, vamos analisar como o AlphaEarth Foundations utiliza IA no Google Earth Engine para apoiar projetos reais de observação da Terra.

AlphaEarth: o novo modelo de IA da Google para a observação da Terra#

O AlphaEarth Foundations oferece uma nova forma de compreender o nosso planeta através de um sistema contínuo e dinâmico. Em vez de visualizar cada imagem separadamente, o novo modelo de IA constrói uma representação unificada e estruturada da superfície terrestre, tanto no espaço como ao longo do tempo.

Para criar esta representação, recorre a uma vasta gama de fontes, incluindo imagens de satélite, mapas de elevação, modelos climáticos e relatórios sobre biodiversidade. Isto ajuda-o a detetar alterações no ambiente e a analisar as suas causas.

Em particular, o AlphaEarth pode mostrar como as paisagens da Terra estão mudando ao longo dos anos. Essas imagens são construídas usando embeddings, que são resumos compactos do que o modelo aprendeu sobre cada local.

Fig. 1. O modelo de IA da Google utiliza embeddings numéricos para mapear a superfície terrestre. (Fonte)

Uma coleção destes embeddings está disponível através do conjunto de dados Satellite Embedding do Google Earth Engine. Já estão a ser utilizados em áreas como a resposta a incêndios florestais, o planeamento urbano e a monitorização do território. Isto ajuda investigadores e decisores a transformar dados de satélite em informações úteis.

IA e clima: a importância do AlphaEarth#

Uma das principais vantagens do AlphaEarth Foundations é facilitar o estudo das alterações a longo prazo no nosso planeta. Funciona bem até em zonas difíceis, onde faltam dados ou as nuvens bloqueiam frequentemente as imagens de satélite. Por exemplo, na floresta amazónica, onde a cobertura de nuvens é um problema constante, o AlphaEarth consegue detetar alterações no território ao aprender com padrões observados em todo o mundo.

Em testes de referência, reduziu os erros de classificação incorreta em quase 24% e necessitou de 16 vezes menos espaço de armazenamento por embedding. Curiosamente, este novo modelo de IA não precisa de ser treinado novamente para cada aplicação.

É eficiente e adaptável a diferentes regiões e desafios. Isto deve-se ao facto de o AlphaEarth produzir embeddings de uso geral, resumos compactos e ricos em informação de cada local, que podem ser utilizados diretamente em vários tipos de análise sem reconstruir o modelo inteiro.

Até agora, o AlphaEarth tem sido usado para monitorar mudanças no uso do solo em mais de 100 países, incluindo florestas tropicais, regiões do Ártico e cidades em expansão. Essas informações estão sendo usadas para apoiar um planejamento mais inteligente e decisões climáticas mais bem fundamentadas.

Fig. 2. Visualização de padrões globais com o novo modelo de IA da Google. (Fonte)

Como o AlphaEarth utiliza a visão por computador para a observação da Terra#

Embora as imagens de satélite possam ser utilizadas para captar vistas detalhadas da superfície terrestre, nem sempre é simples transformá-las em informações úteis. O AlphaEarth Foundations utiliza visão por computador, um ramo da IA que permite às máquinas interpretar informação visual, para detetar e analisar padrões no território, na vegetação e no relevo.

Eis como o modelo aplica diferentes tarefas de visão por computador à observação da Terra:

• Classificação de imagens: o AlphaEarth identifica tipos de terreno, como florestas, terras agrícolas, zonas húmidas e áreas urbanas, a partir de imagens de satélite. Estas classificações apoiam a monitorização climática, a investigação ecológica e o planeamento do uso do território.
• Segmentação: também conhecida como cartografia temática, a segmentação atribui a cada pixel de uma imagem de satélite uma categoria, como o tipo de cultura ou a cobertura vegetal. O AlphaEarth utiliza os seus embeddings anuais para manter uma elevada precisão em diferentes regiões, permitindo uma cartografia detalhada do uso e da cobertura do território e da biodiversidade.
• Deteção de alterações: ao comparar embeddings anuais do mesmo local, o AlphaEarth consegue detetar alterações no uso e na cobertura do território, como a desflorestação, os efeitos de incêndios florestais ou o crescimento urbano. Funciona tanto com métodos supervisionados (que aprendem com exemplos rotulados) como com métodos não supervisionados (que identificam padrões sem rótulos).
• Agrupamento não supervisionado: sem utilizar dados rotulados, o AlphaEarth consegue agrupar regiões que apresentam padrões semelhantes nas imagens de satélite. Isto ajuda a detetar tendências, como alterações na vegetação ou anomalias climáticas, em áreas novas ou pouco estudadas. É especialmente útil quando há poucos dados rotulados ou quando estes não existem.

Fig. 3. Uma visão do uso do AlphaEarth para compreender o ambiente da Terra em 2023. (Fonte)

Aplicações práticas do novo modelo de IA da Google#

Agora que explicamos como o AlphaEarth funciona, vamos explorar suas aplicações no mundo real.

Iniciativa de IA do Google Earth para cidades mais verdes nos EUA#

Em todos os EUA, as cidades estão a expandir as florestas urbanas para reduzir o calor, absorver a poluição e melhorar a saúde pública. Mas pode ser difícil identificar exatamente onde estão as árvores e onde não estão. Em bairros densamente povoados e ruas estreitas, a vegetação muitas vezes não é detetada em imagens de satélite nem em levantamentos tradicionais.

No entanto, o AlphaEarth usa dados de satélite, elevação e ambientais para mapear a cobertura arbórea em detalhes. Para testar o modelo, pesquisadores usaram mais de 45.000 registros de árvores do iNaturalist.

Concentraram-se em 39 géneros de árvores comuns (grupos de espécies estreitamente relacionadas) presentes em todos os estados dos EUA, incluindo o Alasca e o Havai. Os dados foram limpos e divididos em conjuntos de treino e teste, com 300 amostras por género utilizadas para treino e as restantes para teste.

O modelo mapeou com precisão a cobertura arbórea a partir de dados de satélite, de elevação e ambientais, demonstrando que consegue preencher lacunas deixadas pelos levantamentos tradicionais. Estas informações podem ajudar cidades como Detroit, Nova Iorque e Phoenix a tomar melhores decisões sobre onde plantar árvores, arrefecer bairros e apoiar a biodiversidade local.

Mapeamento mais inteligente das culturas com satélites de observação da Terra#

O inventário de culturas do Canadá depende muito de observações ao nível dos campos, sobretudo em áreas sem registos de seguro agrícola (relatórios oficiais sobre o tipo, a localização e a área das culturas, recolhidos para programas de seguro agrícola). Estes levantamentos feitos a partir de veículos em movimento são utilizados para acompanhar as principais culturas, como cereais, oleaginosas, frutas e forragens.

No entanto, como alguns tipos de culturas são registados com maior frequência do que outros, os dados podem ser irregulares e difíceis de converter em mapas fiáveis de grande escala. Para contornar estes problemas, o AlphaEarth pode apoiar a classificação de culturas, tanto em termos gerais como detalhados, com base em dados de satélites de observação da Terra.

Pode agrupar as culturas em categorias abrangentes, como cereais ou oleaginosas. Nas regiões onde existem dados detalhados dos levantamentos, também consegue identificar tipos específicos, como trigo de primavera, milho ou alfafa. Esta abordagem em dois níveis equilibra a cobertura e o detalhe, proporcionando uma imagem mais clara do que é cultivado em todo o Canadá.

Fig. 4. O Google AlphaEarth ajuda a classificar culturas no Canadá. (Fonte)

Explorar os relevos do mundo com a tecnologia de IA do Google Earth#

A Antártida é um dos locais mais difíceis da Terra para mapear, devido às condições meteorológicas extremas, à cobertura permanente de neve e à visibilidade limitada dos satélites. Isto cria lacunas no nosso conhecimento sobre os seus glaciares, as rochas expostas e as mudanças da paisagem ao longo do tempo.

Ao combinar imagens de satélite com dados de radar e de elevação, o AlphaEarth produz mapas anuais consistentes da Antártida, mesmo em áreas com visibilidade limitada. Consegue preencher detalhes em falta e gerar mapas do relevo com uma resolução de 10 metros, que ajudam os investigadores a acompanhar com maior precisão os glaciares, as texturas da superfície e os terrenos cobertos de neve.

Vantagens e desvantagens do novo modelo de IA: AlphaEarth#

Veja algumas das principais vantagens que o AlphaEarth Foundations oferece para aplicações de observação da Terra e planejamento urbano:

• Versatilidade: o AlphaEarth pode ser utilizado em vários domínios, como a agricultura, o planeamento urbano e a resposta a catástrofes, sem necessidade de modelos separados.
• Preenche lacunas de dados: O AlphaEarth pode criar resumos anuais mesmo quando os dados de satélite estão incompletos, ajudando a manter a continuidade da análise de séries temporais.
• Resultados prontos para IA: produz embeddings que podem alimentar diretamente ferramentas como sistemas de monitorização de culturas, detetores de inundações ou classificadores de uso do território, poupando tempo a investigadores e programadores.

Embora o AlphaEarth ofereça suporte fiável em vários domínios, eis algumas limitações a ter em conta:

• Não é em tempo real: os embeddings anuais do AlphaEarth não são adequados para aplicações que exigem monitorização diária ou quase em tempo real.
• Depende da qualidade dos dados de entrada: embora preencha lacunas, o modelo continua a depender da qualidade e da disponibilidade de dados de satélite, radar e outras fontes de dados de entrada.
• Interpretabilidade limitada: tal como acontece com a maioria dos modelos de aprendizagem profunda, pode ser difícil interpretar exatamente como o AlphaEarth chega a determinados padrões ou previsões.

Principais conclusões#

O AlphaEarth Foundations está ajudando pesquisadores, planejadores e formuladores de políticas a enxergar o planeta de novas maneiras. O novo modelo de IA do Google transforma dados brutos de satélite em informações estruturadas e confiáveis que favorecem decisões melhores em áreas como ciência climática, agricultura e desenvolvimento urbano. Ao promover o avanço da observação da Terra, ele facilita o monitoramento e a compreensão das mudanças do nosso planeta ao longo do tempo.

Junta-te à nossa comunidade e explora as inovações em IA no nosso repositório do GitHub. Descobre mais sobre IA na agricultura e visão por computador na área da saúde nas nossas páginas de soluções. Consulta os nossos planos de licenciamento e começa hoje mesmo a utilizar IA!