Google AlphaEarth использует данные наблюдений для глобального картографирования

Представленная 30 июля 2025 года модель AlphaEarth Foundations — это геопространственная фундаментальная модель, разработанная Google DeepMind. Это одно из главных событий в недавних новостях Google AI, созданное для того, чтобы сделать работу с глобальными данными наблюдения Земли быстрее, нагляднее и надежнее.

AlphaEarth Foundations обучена на миллиардах точек данных из satellite imagery, радаров, LiDAR (Light Detection and Ranging), моделей высот и климатических симуляций. Используя этот широкий спектр входных данных, она создает ежегодные виды планеты с разрешением 10 метров.

Проще говоря, это означает, что она может создавать четкие и последовательные карты поверхности Земли даже в труднодоступных местах, благодаря чему изменения в земном покрове, водных ресурсах и climate становится проще замечать и отслеживать с течением времени. Эти снимки теперь доступны через Google Earth Engine, облачную платформу Google для геопространственных данных.

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

AlphaEarth: новая ИИ-модель Google для наблюдения за Землей#

AlphaEarth Foundations предоставляет новый способ понимания нашей планеты через непрерывную и динамическую систему. Вместо того чтобы рассматривать каждое изображение отдельно, новая ИИ-модель выстраивает единую структурированную картину поверхности Земли в пространстве и времени.

Для создания этого представления модель использует широкий спектр источников, включая спутниковые изображения, карты высот, климатические модели и отчеты о биоразнообразии. Это помогает ей выявлять изменения в окружающей среде и анализировать причины, стоящие за ними.

В частности, AlphaEarth позволяет продемонстрировать, как ландшафты Земли меняются с годами. Эти снимки создаются с использованием эмбеддингов — компактных сводок того, что модель узнала о каждой конкретной локации.

Рис. 1. ИИ-модель от Google использует числовые эмбеддинги для картирования поверхности Земли. (Source)

Коллекция этих эмбеддингов доступна через набор данных Satellite Embedding dataset в Google Earth Engine. Они уже используются в таких сферах, как wildfire response, городское планирование и мониторинг земель. Это помогает исследователям и лицам, принимающим решения, превращать спутниковые данные в полезные аналитические выводы.

ИИ и климат: значимость AlphaEarth#

Ключевое преимущество AlphaEarth Foundations заключается в том, что она упрощает изучение долгосрочных изменений на нашей планете. Модель эффективно работает даже в сложных зонах, где данные отсутствуют или облачность часто препятствует спутниковому наблюдению. Например, в бассейне Амазонки, где облачный покров является постоянной проблемой, AlphaEarth может отслеживать изменения земной поверхности, опираясь на закономерности, изученные по всему миру.

В ходе бенчмарк-тестов модель сократила количество ошибок классификации почти на 24% и потребовала в 16 раз меньше памяти на один эмбеддинг. Примечательно, что эту новую ИИ-модель не нужно переобучать для каждой отдельной задачи.

Она эффективна и адаптируема к различным регионам и вызовам. Это достигается за счет того, что AlphaEarth создает эмбеддинги общего назначения — компактные и информационно насыщенные описания каждой локации, которые можно напрямую использовать для многих типов анализа без необходимости переобучения всей модели.

На сегодняшний день новая ИИ-модель Google Earth использовалась для мониторинга изменений земель более чем в 100 странах, включая tropical forests, арктические регионы и разрастающиеся города. Эта аналитика применяется для поддержки более умного планирования и принятия обоснованных климатических решений.

Рис. 2. Визуализация глобальных паттернов с помощью новой ИИ-модели от Google. (Source)

Как AlphaEarth использует компьютерное зрение для наблюдения за Землей#

Хотя спутниковые снимки можно использовать для получения детальных видов поверхности Земли, превращение этих изображений в полезную аналитику не всегда дается просто. AlphaEarth Foundations использует computer vision — ветвь искусственного интеллекта, которая позволяет машинам интерпретировать визуальную информацию для обнаружения и анализа закономерностей на земле, в растительности и рельефе.

Вот как модель применяет различные computer vision tasks для наблюдения за Землей:

• Image classification: AlphaEarth определяет типы земель, такие как леса, сельскохозяйственные угодья, водно-болотные угодья и городские территории, по спутниковым снимкам. Эти классификации поддерживают мониторинг климата, экологические исследования и планирование землепользования.
• Segmentation: Также известная как тематическое картирование, сегментация помечает каждый пиксель на спутниковом снимке определенной категорией, например типом сельскохозяйственных культур или растительным покровом. AlphaEarth использует свои ежегодные эмбеддинги для поддержания высокой точности в разных регионах, обеспечивая детальное картирование землепользования, земного покрова и биоразнообразия.
• Change detection: Сравнивая ежегодные эмбеддинги для одного и того же местоположения, AlphaEarth может обнаруживать сдвиги в землепользовании и земном покрове, такие как deforestation, последствия лесных пожаров или урбанизация. Она работает как с методами с учителем (обучение на размеченных примерах), так и с методами без учителя (поиск закономерностей без разметки).
• Кластеризация без учителя: Не используя размеченные данные, AlphaEarth может группировать регионы с похожими паттернами на спутниковых снимках. Это помогает выявлять тренды, такие как изменение растительности или климатические аномалии, в новых или малоизученных районах. Это особенно эффективно, когда размеченных данных мало или они отсутствуют.

Рис. 3. Обзор использования ИИ для новейшей разработки Google, AlphaEarth, с целью понимания окружающей среды Земли в 2023 году. (Source)

Реальные применения новой ИИ-модели Google#

Теперь, когда ты лучше понимаешь, как работает ИИ для новых технологий наблюдения за Землей от Google, давай изучим реальные примеры применения AlphaEarth Foundations.

Инициатива Google Earth в области ИИ для озеленения городов США#

По всей территории США города развивают городские леса, чтобы снизить температуру, поглотить загрязнения и укрепить здоровье населения. Однако точно определить, где деревья есть, а где их нет, бывает непросто. В плотной застройке и на узких улицах зелень часто остается незамеченной на спутниковых снимках или в ходе традиционных опросов.

Однако AlphaEarth использует спутниковые, высотные и экологические данные для детального картирования древесного покрова. Чтобы протестировать эту новую ИИ-модель Google, researchers использовали более 45 000 записей о деревьях из iNaturalist.

Они сосредоточились на 39 распространенных родах деревьев (группах близкородственных видов), встречающихся во всех штатах США, включая Аляску и Гавайи. Данные были очищены и разделены на тренировочные и тестовые наборы: 300 образцов каждого рода использовались для обучения, а остальные — для тестирования.

Модель точно закартировала древесный покров по спутниковым, высотным и экологическим данным, показав свою способность заполнять пробелы, оставляемые традиционными обследованиями. Эта аналитика может помочь таким городам, как Детройт, Нью-Йорк и Финикс, принимать более правильные решения о том, где сажать деревья, охлаждать районы и поддерживать local biodiversity.

Более интеллектуальное картирование урожая на основе данных спутников наблюдения за Землей#

Инвентаризация сельскохозяйственных культур в Канаде сильно зависит от полевых наблюдений, особенно в районах, где отсутствуют данные страхования урожая (официальные отчеты о типе культуры, местоположении и посевных площадях, собираемые для программ сельскохозяйственного страхования). Эти визуальные инспекции, часто проводимые из движущихся транспортных средств, используются для отслеживания основных культур, таких как зерновые, масличные, фрукты и кормовые травы.

Но поскольку некоторые типы культур регистрируются чаще других, данные могут быть неоднородными и их сложно преобразовывать в надежные крупномасштабные карты. Чтобы обойти эти проблемы, AlphaEarth может поддерживать как высокоуровневую, так и детальную crop classification на основе данных со спутников наблюдения за Землей.

Модель может группировать культуры по широким категориям, таким как зерновые или масличные. В регионах, где доступны подробные данные опросов, она также может идентифицировать конкретные типы, например, яровую пшеницу, кукурузу или люцерну. Этот двухуровневый подход балансирует между охватом и детализацией, обеспечивая более четкую картину того, что выращивается по всей Канаде.

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

Исследование глобальных ландшафтов с помощью ИИ для технологии Google Earth#

Антарктида — одно из самых сложных мест на Земле для картографирования из-за экстремальных погодных условий, постоянного снежного покрова и ограниченной видимости для спутников. Это оставляет пробелы в нашем понимании ледников, скальных выходов и изменений ландшафта с течением времени.

Совмещая спутниковые снимки с данными радаров и моделей высот, AlphaEarth создает последовательные ежегодные карты Антарктиды даже в зонах с ограниченной видимостью. Модель способна восполнять недостающие детали и генерировать карты местности с разрешением 10 метров, которые помогают исследователям более точно отслеживать ледники, текстуры поверхности и заснеженные участки суши.

Плюсы и минусы новой ИИ-модели: AlphaEarth#

Вот несколько ключевых преимуществ, которые новая ИИ-модель AlphaEarth Foundations предлагает для задач наблюдения за Землей и городского планирования:

• Универсальность: AlphaEarth может использоваться в различных областях, таких как сельское хозяйство, городское планирование и реагирование на стихийные бедствия, без необходимости создания отдельных моделей для каждой задачи.
• Заполнение пробелов в данных: Эта новая ИИ-модель Google может создавать ежегодные сводки даже при неполных входных спутниковых данных, помогая поддерживать непрерывность в анализе временных рядов.
• Выходные данные, готовые к использованию с ИИ: Модель создает эмбеддинги, которые можно напрямую подавать в такие инструменты, как мониторы урожая, детекторы наводнений или классификаторы землепользования, что экономит время исследователей и разработчиков.

Хотя AlphaEarth обеспечивает надежную поддержку в различных доменах, вот несколько ограничений, которые стоит учитывать:

• Не работает в реальном времени: Ежегодные эмбеддинги от AlphaEarth не подходят для приложений, требующих ежедневного мониторинга или мониторинга в режиме, близком к реальному времени.
• Зависимость от качества входных данных: Несмотря на то, что модель заполняет пробелы, она все еще полагается на качество и доступность спутниковых, радарных и других источников входных данных.
• Limited interpretability: Как и в случае с большинством моделей deep learning, бывает трудно точно интерпретировать, как именно AlphaEarth приходит к тем или иным закономерностям или прогнозам.

Основные выводы#

AlphaEarth Foundations помогает исследователям, проектировщикам и лицам, определяющим политику, взглянуть на планету по-новому. Новая ИИ-модель Google может превращать необработанные спутниковые данные в структурированную, надежную информацию, которая способствует принятию более правильных решений в таких областях, как климатология, сельское хозяйство и градостроительство. Продвигая технологии наблюдения за Землей, модель упрощает задачу мониторинга и понимания изменений нашей планеты во времени.

Join our community and explore AI innovations on our GitHub repository. Learn about AI in agriculture and computer vision in healthcare through our solutions pages. Check out our licensing plans and get started with AI today!