Google AlphaEarth использует данные наблюдений для глобального картографирования

Представленная 30 июля 2025 года AlphaEarth Foundations — базовая геопространственная модель, разработанная Google DeepMind. Она стала одной из самых заметных новостей Google AI за последнее время. Модель призвана ускорить и упростить работу с глобальными данными наблюдения за Землёй, а также повысить её надёжность.

AlphaEarth Foundations обучена на миллиардах точек данных, полученных из спутниковых снимков, радарных данных, LiDAR (обнаружение и определение дальности с помощью света), моделей рельефа и климатических симуляций. На основе этих разнообразных входных данных модель формирует ежегодные изображения планеты с разрешением 10 метров.

Проще говоря, модель может создавать чёткие и согласованные карты поверхности Земли даже для труднодоступных для наблюдения районов. Благодаря этому изменения суши, водоёмов и климата проще выявлять и отслеживать с течением времени. Эти снимки уже доступны через Google Earth Engine — облачную платформу Google для работы с геопространственными данными.

В этой статье мы рассмотрим, как AlphaEarth Foundations использует ИИ в Google Earth Engine для поддержки реальных проектов по наблюдению за Землёй.

AlphaEarth: новая модель Google AI для наблюдения за Землёй#

AlphaEarth Foundations предлагает новый способ изучения нашей планеты с помощью непрерывной динамической системы. Вместо того чтобы рассматривать каждый снимок отдельно, новая модель ИИ создаёт единое структурированное представление поверхности Земли в пространстве и времени.

Для создания такого представления модель использует широкий спектр источников, включая спутниковые снимки, карты высот, климатические модели и отчёты о биоразнообразии. Это помогает ей выявлять изменения окружающей среды и анализировать их причины.

В частности, AlphaEarth показывает, как менялись ландшафты Земли с годами. Для создания этих снимков используются эмбеддинги — компактные представления того, чему модель научилась на данных о каждом месте.

Рис. 1. Модель ИИ Google использует числовые эмбеддинги для картирования поверхности Земли. (Источник)

Набор таких эмбеддингов доступен через набор данных Satellite Embedding в Google Earth Engine. Его уже используют в таких областях, как реагирование на лесные пожары, городское планирование и мониторинг земель. Это помогает исследователям и лицам, принимающим решения, превращать спутниковые данные в полезные выводы.

ИИ и климат: значение AlphaEarth#

Одно из ключевых преимуществ AlphaEarth Foundations — упрощение изучения долгосрочных изменений нашей планеты. Модель хорошо работает даже в сложных районах, где данных не хватает или спутниковые снимки часто закрыты облаками. Например, в тропических лесах Амазонии, где облачность постоянно мешает наблюдениям, AlphaEarth всё равно может выявлять изменения земной поверхности, опираясь на закономерности, обнаруженные в других регионах мира.

В ходе сравнительных испытаний модель сократила количество ошибок классификации почти на 24% и требовала в 16 раз меньше места для хранения на каждый эмбеддинг. Примечательно, что эту новую модель ИИ не нужно переобучать для каждого приложения.

Модель эффективна и адаптируется к разным регионам и задачам. Это возможно благодаря тому, что AlphaEarth создаёт эмбеддинги общего назначения — компактные, насыщенные информацией сводки по каждому местоположению, которые можно напрямую использовать во многих видах анализа, не перестраивая всю модель.

На сегодняшний день AlphaEarth применяли для мониторинга изменений земной поверхности более чем в 100 странах, включая тропические леса, арктические регионы и расширяющиеся города. Эти данные помогают эффективнее планировать и принимать более обоснованные решения в области климата.

Рис. 2. Визуализация глобальных закономерностей с помощью новой модели ИИ Google. (Источник)

Как AlphaEarth использует компьютерное зрение для наблюдения за Землёй#

Спутниковые снимки позволяют детально рассматривать поверхность Земли, однако извлекать из них значимую информацию не всегда просто. AlphaEarth Foundations использует компьютерное зрение — область ИИ, которая позволяет машинам интерпретировать визуальную информацию, — чтобы выявлять и анализировать закономерности на суше, в растительности и рельефе.

Вот как модель применяет различные задачи компьютерного зрения для наблюдения за Землёй:

• Классификация изображений: AlphaEarth определяет по спутниковым снимкам типы земной поверхности, например леса, сельскохозяйственные угодья, водно-болотные территории и городские районы. Такая классификация помогает отслеживать климат, проводить экологические исследования и планировать землепользование.
• Сегментация: сегментация, также называемая тематическим картированием, присваивает каждому пикселю спутникового снимка категорию, например тип сельскохозяйственной культуры или растительного покрова. AlphaEarth использует ежегодные эмбеддинги, чтобы сохранять высокую точность в разных регионах и создавать детализированные карты землепользования, растительного покрова и биоразнообразия.
• Обнаружение изменений: сравнивая ежегодные эмбеддинги для одного и того же местоположения, AlphaEarth может выявлять изменения землепользования и растительного покрова, например вырубку лесов, последствия лесных пожаров или рост городов. Модель работает как с обучением с учителем (на размеченных примерах), так и с обучением без учителя (поиском закономерностей без меток).
• Кластеризация без учителя: AlphaEarth может объединять в группы регионы со схожими закономерностями на спутниковых снимках, не используя размеченные данные. Это помогает обнаруживать тенденции, например изменения растительности или климатические аномалии, в новых или малоизученных районах. Такой подход особенно полезен, когда размеченных данных мало или нет вовсе.

Рис. 3. Пример использования AlphaEarth для изучения окружающей среды Земли в 2023 году. (Источник)

Применение новой модели ИИ Google в реальных условиях#

Теперь, когда мы разобрались, как работает AlphaEarth, рассмотрим его практическое применение.

Инициатива Google Earth на базе ИИ для озеленения городов США#

По всей территории США города расширяют площади городских лесов, чтобы снизить жару, поглощать загрязнители и улучшать здоровье населения. Но точно определить, где растут деревья, а где их нет, бывает непросто. В густонаселённых районах и на узких улицах зелёные насаждения часто не удаётся обнаружить на спутниковых снимках или при традиционных обследованиях.

Однако AlphaEarth использует спутниковые данные, данные о высоте и сведения об окружающей среде, чтобы с высокой точностью картировать древесный покров. Для проверки модели исследователи использовали более 45 000 записей о деревьях из iNaturalist.

Они сосредоточились на 39 распространённых родах деревьев (группах близкородственных видов), которые встречаются во всех штатах США, включая Аляску и Гавайи. Данные очистили и разделили на обучающую и тестовую выборки: для обучения использовали по 300 образцов каждого рода, а остальные — для тестирования.

Модель точно картировала древесный покров на основе спутниковых данных, сведений о высотах и данных об окружающей среде, продемонстрировав, что она способна восполнять пробелы в традиционных обследованиях. Эти сведения помогут таким городам, как Детройт, Нью-Йорк и Финикс, принимать более обоснованные решения о том, где высаживать деревья, как охлаждать районы и как поддерживать местное биоразнообразие.

Более точное картирование сельскохозяйственных культур на основе спутниковых наблюдений Земли#

Инвентаризация сельскохозяйственных культур в Канаде во многом зависит от наблюдений на уровне отдельных полей, особенно в районах, где нет данных о страховании урожая (официальных отчётов о типах культур, их местоположении и площадях, собираемых в рамках программ страхования сельскохозяйственных культур). Для отслеживания основных культур, таких как зерновые, масличные, фрукты и кормовые растения, используют обследования с борта автомобиля, которые часто проводят во время движения.

Однако некоторые типы культур фиксируют чаще других, поэтому данные могут быть несбалансированными, и на их основе сложно создавать надёжные карты больших территорий. Чтобы решить эти проблемы, AlphaEarth может выполнять как обобщённую, так и детализированную классификацию сельскохозяйственных культур на основе данных спутниковых наблюдений Земли.

Модель может распределять культуры по широким категориям, например зерновым или масличным. В регионах, где доступны подробные данные обследований, она также может определять конкретные культуры, такие как яровая пшеница, кукуруза или люцерна. Такой двухуровневый подход сочетает широкий охват с детализацией и даёт более ясное представление о том, что выращивают в Канаде.

Рис. 4. Google AlphaEarth помогает классифицировать сельскохозяйственные культуры в Канаде. (Источник)

Изучение глобального рельефа с помощью технологии Google Earth на базе ИИ#

Антарктида — одно из самых трудных для картирования мест на Земле: здесь экстремальные погодные условия, постоянный снежный покров и ограниченная видимость со спутников. Из-за этого в наших знаниях о ледниках, обнажённых скалах и изменении ландшафта со временем остаются пробелы.

Объединяя спутниковые снимки с радарными данными и сведениями о высотах, AlphaEarth создаёт согласованные ежегодные карты Антарктиды, даже для районов с ограниченной видимостью. Модель восполняет недостающие сведения и создаёт карты рельефа с разрешением 10 метров, помогая исследователям точнее отслеживать ледники, текстуру поверхности и заснеженные территории.

Преимущества и недостатки новой модели ИИ AlphaEarth#

Вот некоторые ключевые преимущества AlphaEarth Foundations для наблюдения за Землёй и городского планирования:

• Универсальность: AlphaEarth можно использовать в различных областях, например в сельском хозяйстве, городском планировании и реагировании на стихийные бедствия, без необходимости создавать отдельные модели.
• Восполняет пробелы в данных: AlphaEarth может создавать годовые сводки, даже если спутниковые данные неполны, помогая сохранять непрерывность анализа временных рядов.
• Данные готовы для ИИ: модель создаёт эмбеддинги, которые можно напрямую использовать в таких инструментах, как системы мониторинга сельскохозяйственных культур, обнаружения наводнений и классификации землепользования. Это экономит время исследователей и разработчиков.

Хотя AlphaEarth надёжно работает в разных областях, важно учитывать и некоторые ограничения:

• Не работает в реальном времени: ежегодные эмбеддинги AlphaEarth не подходят для приложений, требующих ежедневного мониторинга или мониторинга почти в реальном времени.
• Зависит от качества входных данных: хотя модель восполняет пробелы, она по-прежнему зависит от качества и доступности спутниковых, радарных и других входных данных.
• Ограниченная интерпретируемость: как и в случае с большинством моделей глубокого обучения, бывает трудно точно понять, как AlphaEarth выявляет те или иные закономерности или формирует прогнозы.

Главные выводы#

AlphaEarth Foundations помогает исследователям, планировщикам и политикам по-новому взглянуть на планету. Новая модель ИИ от Google преобразует исходные спутниковые данные в структурированную и надёжную информацию, которая помогает принимать более взвешенные решения в таких областях, как климатология, сельское хозяйство и городское развитие. Благодаря развитию наблюдения за Землёй стало проще отслеживать и понимать изменения на нашей планете с течением времени.

Присоединяйся к нашему сообществу и следи за новинками ИИ в нашем репозитории на GitHub. На страницах с нашими решениями ты узнаешь об ИИ в сельском хозяйстве и компьютерном зрении в здравоохранении. Ознакомься с нашими тарифами на лицензии и уже сегодня приступай к работе с ИИ!