Google AlphaEarth usa dados de observação para mapeamento global

Apresentado em 30 de julho de 2025, o AlphaEarth Foundations é um modelo de fundação geoespacial desenvolvido pelo Google DeepMind. É um dos destaques nas notícias recentes de IA do Google e foi criado para tornar o trabalho com dados globais de observação da Terra mais rápido, claro e confiável.

O AlphaEarth Foundations é treinado com bilhões de pontos de dados de satellite imagery, radar, LiDAR (detecção e alcance por luz), modelos de elevação e simulações climáticas. Usando essa ampla gama de entradas, ele cria visões anuais do planeta com resolução de 10 metros.

Em termos simples, isso significa que ele pode produzir mapas claros e consistentes da superfície da Terra, mesmo em áreas de difícil visualização, para que mudanças na terra, na água e no climate sejam mais fáceis de identificar e monitorar ao longo do tempo. Esses instantâneos agora estão disponíveis por meio do Google Earth Engine, a plataforma de nuvem do Google para dados geoespaciais.

Neste artigo, veremos como o AlphaEarth Foundations usa IA para o Google Earth Engine para dar suporte a projetos de observação da Terra no mundo real.

AlphaEarth: O novo modelo de IA do Google para observação da Terra#

O AlphaEarth Foundations oferece uma nova maneira de entender nosso planeta por meio de um sistema contínuo e dinâmico. Em vez de visualizar cada imagem separadamente, o novo modelo de IA constrói uma imagem unificada e estruturada da superfície da Terra no espaço e no tempo.

Para criar essa visão, ele se baseia em uma ampla gama de fontes, incluindo imagens de satélite, mapas de elevação, modelos climáticos e relatórios sobre biodiversidade. Isso o ajuda a identificar mudanças no meio ambiente e a analisar o motivo por trás delas.

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

Fig 1. O modelo de IA do Google usa embeddings numéricos para mapear a superfície da Terra. (Source)

Uma coleção desses embeddings está disponível por meio do Satellite Embedding dataset do Google Earth Engine. Eles já estão sendo usados em áreas como wildfire response, planejamento urbano e monitoramento de terras. Isso ajuda pesquisadores e tomadores de decisão a transformar dados de satélite em insights úteis.

IA e o clima: O significado do AlphaEarth#

Um benefício fundamental do AlphaEarth Foundations é que ele facilita o estudo de mudanças de longo prazo em nosso planeta. Ele funciona bem mesmo em áreas complicadas onde faltam dados ou onde nuvens frequentemente bloqueiam as visões de satélite. Por exemplo, na floresta amazônica, onde a cobertura de nuvens é um problema constante, o AlphaEarth ainda pode detectar mudanças no solo aprendendo com padrões ao redor do mundo.

Em testes de benchmark, ele reduziu os erros de classificação incorreta em quase 24% e exigiu 16 vezes menos armazenamento por embedding. Curiosamente, este novo modelo de IA não precisa ser retreinado para cada aplicação.

Ele é eficiente e adaptável em diferentes regiões e desafios. Isso ocorre porque o AlphaEarth produz embeddings de propósito geral — resumos compactos e ricos em informações de cada local — que podem ser usados diretamente para muitos tipos de análise sem reconstruir todo o modelo.

Até agora, o novo modelo de IA do Google Earth tem sido usado para monitorar mudanças na terra em mais de 100 países, incluindo tropical forests, regiões árticas e cidades em expansão. Esses insights estão sendo usados para apoiar um planejamento mais inteligente e decisões climáticas mais informadas.

Fig 2. Visualizando padrões globais com o novo modelo de IA do Google. (Source)

Como o AlphaEarth usa visão computacional para observação da Terra#

Embora imagens de satélite possam ser usadas para capturar vistas detalhadas da superfície da Terra, transformar essas imagens em insights significativos nem sempre é simples. O AlphaEarth Foundations usa computer vision, um ramo da IA que permite que as máquinas interpretem informações visuais, para detectar e analisar padrões em terras, vegetação e relevo.

Veja como o modelo aplica diferentes computer vision tasks à observação da Terra:

• Image classification: o AlphaEarth identifica tipos de terra como florestas, áreas de cultivo, zonas úmidas e áreas urbanas a partir de imagens de satélite. Essas classificações apoiam o monitoramento climático, a pesquisa ecológica e o planejamento do uso da terra.
• Segmentation: também chamado de mapeamento temático, a segmentação rotula cada pixel em uma imagem de satélite com uma categoria, como tipo de cultivo ou cobertura vegetal. O AlphaEarth usa seus embeddings anuais para manter alta precisão em todas as regiões, permitindo um mapeamento refinado para uso da terra, cobertura da terra e biodiversidade.
• Detecção de mudanças: Ao comparar os embeddings anuais para o mesmo local, o AlphaEarth pode detectar mudanças no uso e na cobertura da terra, como deforestation, impactos de incêndios florestais ou crescimento urbano. Ele funciona com métodos supervisionados (aprendendo com exemplos rotulados) e métodos não supervisionados (encontrando padrões sem rótulos).
• Clustering não supervisionado: Sem usar dados rotulados, o AlphaEarth pode agrupar regiões que mostram padrões semelhantes em imagens de satélite. Isso ajuda a detectar tendências como mudanças na vegetação ou anomalias climáticas em áreas novas ou pouco estudadas. É especialmente impactante quando os dados rotulados são limitados ou inexistentes.

Fig 3. Uma olhada no uso de IA para a inovação mais recente do Google, o AlphaEarth, para entender o ambiente da Terra em 2023. (Source)

Aplicações no mundo real do novo modelo de IA do Google#

Com uma melhor compreensão de como a IA para as novas tecnologias de observação da Terra do Google funciona, vamos explorar as aplicações do AlphaEarth Foundations no mundo real.

Iniciativa de IA do Google Earth para cidades americanas mais verdes#

Em todos os EUA, as cidades estão aumentando as florestas urbanas para reduzir o calor, absorver a poluição e melhorar a saúde pública. Mas identificar exatamente onde as árvores estão, e onde não estão, pode ser um desafio. Em bairros densos e ruas estreitas, a vegetação muitas vezes passa despercebida em imagens de satélite ou pesquisas tradicionais.

No entanto, o AlphaEarth usa dados de satélite, elevação e ambientais para mapear a cobertura de árvores com detalhes precisos. Para testar este novo modelo de IA do Google, researchers usaram mais de 45.000 registros de árvores do iNaturalist.

Eles focaram em 39 gêneros de árvores comuns (grupos de espécies intimamente relacionadas) encontrados em todos os estados dos EUA, incluindo Alasca e Havaí. Os dados foram limpos e divididos em conjuntos de treinamento e teste, com 300 amostras por gênero usadas para treinamento e o restante para teste.

O modelo mapeou com precisão a cobertura de árvores a partir de dados de satélite, elevação e ambientais, mostrando que pode preencher lacunas deixadas por pesquisas tradicionais. Esses insights podem ajudar cidades como Detroit, Nova York e Fênix a tomar melhores decisões sobre onde plantar árvores, resfriar bairros e apoiar a local biodiversity.

Mapeamento de culturas mais inteligente impulsionado por satélites de observação da Terra#

O inventário de culturas do Canadá depende muito de observações em nível de campo, especialmente em áreas sem registros de seguro agrícola (relatórios oficiais de tipo de cultura, localização e área coletados para programas de seguro agrícola). Essas pesquisas feitas a partir de veículos em movimento são usadas para rastrear as principais culturas, como cereais, oleaginosas, frutas e forragens.

Mas, como alguns tipos de cultura são registrados com mais frequência do que outros, os dados podem ser irregulares e difíceis de converter em mapas confiáveis e de grande escala. Para contornar esses problemas, o AlphaEarth pode dar suporte a crop classification de alto nível e detalhada com base em dados de satélites de observação da Terra.

Ele pode agrupar culturas em categorias amplas, como grãos ou oleaginosas. Em regiões onde dados de pesquisa detalhados estão disponíveis, ele também pode identificar tipos específicos, como trigo de primavera, milho ou alfafa. Essa abordagem de dois níveis equilibra a cobertura com o detalhe, oferecendo uma visão mais clara do que está crescendo em todo o Canadá.

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

Explorando terrenos globais com IA para a tecnologia Google Earth#

A Antártida é um dos lugares mais difíceis da Terra de mapear, com clima extremo, cobertura de neve constante e visibilidade limitada por satélite. Isso deixa lacunas na nossa compreensão de suas geleiras, rochas expostas e como a paisagem está mudando ao longo do tempo.

Ao combinar imagens de satélite com dados de radar e elevação, o AlphaEarth produz mapas anuais consistentes da Antártida, mesmo em áreas com visibilidade limitada. Ele pode preencher detalhes ausentes e gerar mapas de terreno com resolução de 10 metros que ajudam os pesquisadores a rastrear geleiras, texturas de superfície e terras cobertas de neve com mais precisão.

Prós e contras do novo modelo de IA: AlphaEarth#

Aqui estão algumas das principais vantagens que o novo modelo de IA, AlphaEarth Foundations, oferece para aplicações de observação da Terra e planejamento urbano:

• Versatilidade: O AlphaEarth pode ser usado em vários campos, como agricultura, planejamento urbano e resposta a desastres, sem a necessidade de modelos separados.
• Preenche lacunas de dados: Este novo modelo de IA do Google pode criar resumos anuais mesmo quando a entrada de satélite está incompleta, ajudando a manter a continuidade na análise de séries temporais.
• Saídas prontas para IA: Ele produz embeddings que podem ser inseridos diretamente em ferramentas como monitores de culturas, detectores de enchentes ou classificadores de uso da terra, economizando tempo para pesquisadores e desenvolvedores.

Embora o AlphaEarth ofereça suporte confiável em vários domínios, aqui estão algumas limitações a serem lembradas:

• Não é em tempo real: Os embeddings anuais do AlphaEarth não são adequados para aplicações que exigem monitoramento diário ou quase em tempo real.
• Depende da qualidade da entrada: Embora preencha lacunas, o modelo ainda depende da qualidade e disponibilidade de fontes de dados de satélite, radar e outras entradas.
• Interpretabilidade limitada: Como na maioria dos modelos de deep learning, pode ser difícil interpretar exatamente como o AlphaEarth chega a determinados padrões ou previsões.

Principais pontos#

O AlphaEarth Foundation está ajudando pesquisadores, planejadores e formuladores de políticas a ver o planeta de novas maneiras. O novo modelo de IA do Google pode transformar entradas brutas de satélite em informações estruturadas e confiáveis que apoiam melhores decisões em áreas como ciência climática, agricultura e desenvolvimento urbano. Ao promover a observação da Terra, ele torna mais fácil monitorar e entender as mudanças do nosso planeta ao longo do tempo.

Junte-se a our community e explore inovações de IA em nosso GitHub repository. Conheça AI in agriculture e computer vision in healthcare através de nossas páginas de soluções. Confira our licensing plans e comece a usar a IA hoje mesmo!