Google AlphaEarth, küresel haritalama için gözlem verilerini kullanıyor

30 Temmuz 2025'te tanıtılan AlphaEarth Foundations, Google DeepMind tarafından geliştirilen bir jeo-uzamsal temel modelidir. Son Google AI haberlerindeki öne çıkan gelişmelerden biri olan bu model, küresel Dünya gözlem verileriyle çalışmayı daha hızlı, anlaşılır ve güvenilir hâle getirmek için tasarlanmıştır.

AlphaEarth Foundations; uydu görüntüleri, radar, LiDAR (ışık algılama ve menzil ölçümü), yükseklik modelleri ve iklim simülasyonlarından elde edilen milyarlarca veri noktasıyla eğitilir. Bu geniş girdi yelpazesini kullanarak gezegenin yıllık ve 10 metrelik çözünürlükte görünümlerini oluşturur.

Basitçe ifade etmek gerekirse bu, Dünya yüzeyinin, görülmesi zor bölgelerde bile, net ve tutarlı haritalarını üretebildiği anlamına gelir; böylece kara, su ve iklim değişikliklerini zaman içinde fark etmek ve takip etmek kolaylaşır. Bu görüntüler artık Google'ın jeo-uzamsal veri bulut platformu Google Earth Engine üzerinden kullanılabilir.

Bu makalede, AlphaEarth Foundations'ın gerçek Dünya gözlem projelerini desteklemek için Google Earth Engine'de yapay zekâyı nasıl kullandığına göz atacağız.

AlphaEarth: Google'ın Dünya gözlemi için yeni AI modeli#

AlphaEarth Foundations, sürekli ve dinamik bir sistem aracılığıyla gezegenimizi anlamanın yeni bir yolunu sunar. Yeni AI modeli, her görüntüyü ayrı ayrı incelemek yerine, Dünya yüzeyinin hem uzay hem de zaman boyunca birleşik ve yapılandırılmış bir görünümünü oluşturur.

Bu görünümü oluşturmak için uydu görüntüleri, yükseklik haritaları, iklim modelleri ve biyolojik çeşitlilik raporları dâhil olmak üzere çok çeşitli kaynaklardan yararlanır. Bu, çevredeki değişiklikleri fark etmesine ve bunların nedenlerini analiz etmesine yardımcı olur.

Özellikle AlphaEarth, Dünya'nın peyzajlarının yıllar içinde nasıl değiştiğini gösterebilir. Bu görüntüler, modelin her konum hakkında öğrendiklerinin özlü özetleri olan embedding'ler kullanılarak oluşturulur.

Şekil 1. Google'ın AI modeli, Dünya yüzeyini haritalamak için sayısal embedding'ler kullanır. (Kaynak)

Bu embedding'lerden oluşan bir koleksiyon, Google Earth Engine'in Satellite Embedding veri kümesi üzerinden kullanılabilir. Bunlar hâlihazırda orman yangını müdahalesi, kentsel planlama ve arazi izleme gibi alanlarda kullanılmaktadır. Bu sayede araştırmacılar ve karar vericiler, uydu verilerini yararlı içgörülere dönüştürebilir.

AI ve iklim: AlphaEarth'ün önemi#

AlphaEarth Foundations'ın temel faydalarından biri, gezegenimizdeki uzun vadeli değişiklikleri incelemeyi kolaylaştırmasıdır. Verilerin eksik olduğu veya bulutların uydu görüntülerini sıklıkla engellediği zorlu bölgelerde bile iyi çalışır. Örneğin bulut örtüsünün sürekli sorun olduğu Amazon yağmur ormanlarında AlphaEarth, dünyanın farklı yerlerindeki örüntülerden öğrenerek arazi değişikliklerini yine de tespit edebilir.

Karşılaştırmalı testlerde yanlış sınıflandırma hatalarını yaklaşık %24 oranında azalttı ve embedding başına 16 kat daha az depolama alanı gerektirdi. İlginç bir şekilde bu yeni AI modelinin her uygulama için yeniden eğitilmesi gerekmez.

Farklı bölgeler ve zorluklar arasında verimli ve uyarlanabilirdir. Bunun nedeni, AlphaEarth'ün her konumun kompakt ve bilgi açısından zengin özetleri olan, modelin tamamı yeniden oluşturulmadan birçok analiz türünde doğrudan kullanılabilen genel amaçlı embedding'ler üretmesidir.

Şimdiye kadar yeni Google Earth AI modeli; tropikal ormanlar, Arktik bölgeler ve büyüyen şehirler dâhil olmak üzere 100'den fazla ülkedeki arazi değişikliklerini izlemek için kullanıldı. Bu içgörüler, daha akıllı planlamayı ve iklim konusunda daha bilinçli kararları desteklemek için kullanılıyor.

Şekil 2. Google'ın yeni AI modeliyle küresel örüntülerin görselleştirilmesi. (Kaynak)

AlphaEarth, Dünya gözlemi için bilgisayarlı görüden nasıl yararlanıyor#

Uydu görüntüleri Dünya yüzeyinin ayrıntılı görünümlerini yakalamak için kullanılabilse de bu görüntüleri anlamlı içgörülere dönüştürmek her zaman kolay değildir. AlphaEarth Foundations; makinelerin görsel bilgileri yorumlamasını sağlayan bir AI dalı olan bilgisayarlı görüyü, kara, bitki örtüsü ve arazi genelindeki örüntüleri tespit etmek ve analiz etmek için kullanır.

Modelin Dünya gözlemine farklı bilgisayarlı görü görevlerini nasıl uyguladığı aşağıda açıklanmıştır:

• Görüntü sınıflandırma: AlphaEarth, uydu görüntülerinden ormanlar, tarım arazileri, sulak alanlar ve kentsel bölgeler gibi arazi türlerini belirler. Bu sınıflandırmalar iklim izlemeyi, ekolojik araştırmaları ve arazi kullanım planlamasını destekler.
• Segmentasyon: Tematik haritalama olarak da adlandırılan segmentasyon, uydu görüntüsündeki her piksele ürün türü veya bitki örtüsü gibi bir kategori atar. AlphaEarth, bölgeler genelinde yüksek doğruluğu korumak için yıllık embedding'lerini kullanır ve arazi kullanımı, arazi örtüsü ve biyolojik çeşitlilik için ayrıntılı haritalama sağlar.
• Değişiklik tespiti: AlphaEarth, aynı konuma ait yıllık embedding'leri karşılaştırarak ormansızlaşma, orman yangınlarının etkileri veya kentsel büyüme gibi arazi kullanımı ve arazi örtüsündeki değişimleri tespit edebilir. Hem denetimli yöntemlerle (etiketli örneklerden öğrenme) hem de denetimsiz yöntemlerle (etiketler olmadan örüntüleri bulma) çalışır.
• Denetimsiz kümeleme: AlphaEarth, etiketli verileri kullanmadan uydu görüntülerinde benzer örüntüler gösteren bölgeleri gruplayabilir. Bu, yeni veya yeterince incelenmemiş alanlarda bitki örtüsündeki değişimler ya da iklim anomalileri gibi eğilimleri tespit etmeye yardımcı olur. Etiketli verilerin sınırlı veya eksik olduğu durumlarda özellikle etkilidir.

Şekil 3. Google'ın en yeni yeniliği AlphaEarth'ü, 2023'te Dünya'nın çevresini anlamak için kullanmaya ve AI'dan yararlanmaya bir bakış. (Kaynak)

Google'ın yeni AI modelinin gerçek dünyadaki uygulamaları#

Google'ın yeni Dünya gözlem teknolojileri için AI'ın nasıl çalıştığını daha iyi anladığımıza göre AlphaEarth Foundations'ın gerçek dünyadaki uygulamalarını inceleyelim.

Daha yeşil ABD şehirleri için Google Earth'ün AI girişimi#

ABD genelinde şehirler, sıcaklığı azaltmak, kirliliği emmek ve halk sağlığını iyileştirmek için kentsel ormanlarını büyütüyor. Ancak ağaçların tam olarak nerede bulunduğunu ve nerede bulunmadığını belirlemek zor olabilir. Yoğun mahallelerde ve dar sokaklarda yeşil alanlar, uydu görüntülerinde veya geleneksel araştırmalarda çoğu zaman tespit edilemez.

Bununla birlikte AlphaEarth, ağaç örtüsünü ayrıntılı biçimde haritalamak için uydu, yükseklik ve çevre verilerini kullanır. Bu yeni Google AI modelini test etmek için araştırmacılar, iNaturalist'ten alınan 45.000'den fazla ağaç kaydını kullandı.

Alaska ve Hawaii dâhil olmak üzere tüm ABD eyaletlerinde bulunan 39 yaygın ağaç cinsine (birbiriyle yakından ilişkili tür gruplarına) odaklandılar. Veriler temizlendi ve eğitim ile test kümelerine ayrıldı; cins başına 300 örnek eğitim için, geri kalanı ise test için kullanıldı.

Model; uydu, yükseklik ve çevre verilerinden ağaç örtüsünü doğru bir şekilde haritalayarak geleneksel araştırmaların bıraktığı boşlukları doldurabildiğini gösterdi. Bu içgörüler Detroit, New York ve Phoenix gibi şehirlerin ağaç dikilecek, mahallelerin serinletilecek ve yerel biyolojik çeşitliliğin desteklenecek yerler hakkında daha iyi kararlar almasına yardımcı olabilir.

Dünya gözlem uydularıyla daha akıllı ürün haritalama#

Kanada'nın ürün envanteri, özellikle ürün sigortası kayıtlarının bulunmadığı bölgelerde, büyük ölçüde tarla düzeyindeki gözlemlere dayanır (tarım sigortası programları için toplanan ürün türü, konumu ve ekili alanla ilgili resmî raporlar). Genellikle hareket hâlindeki araçlardan yapılan bu araç içi araştırmalar, tahıllar, yağlı tohumlar, meyveler ve yem bitkileri gibi başlıca ürünleri izlemek için kullanılır.

Ancak bazı ürün türleri diğerlerinden daha sık kaydedildiği için veriler dengesiz olabilir ve güvenilir, geniş ölçekli haritalara dönüştürülmesi zorlaşabilir. AlphaEarth, bu sorunların üstesinden gelmek için Dünya gözlem uydularından elde edilen verilere dayalı hem üst düzey hem de ayrıntılı ürün sınıflandırmasını destekleyebilir.

Ürünleri tahıllar veya yağlı tohumlar gibi geniş kategorilerde gruplayabilir. Ayrıntılı araştırma verilerinin bulunduğu bölgelerde ilkbahar buğdayı, mısır veya yonca gibi belirli türleri de tanımlayabilir. Bu iki düzeyli yaklaşım, kapsam ile ayrıntıyı dengeler ve Kanada genelinde nelerin yetiştiğine dair daha net bir görünüm sunar.

Şekil 4. Google AlphaEarth, Kanada'daki ürünlerin sınıflandırılmasına yardımcı oluyor. (Kaynak)

Google Earth teknolojisi için AI ile küresel arazilerin keşfi#

Antarktika; aşırı hava koşulları, sürekli kar örtüsü ve sınırlı uydu görünürlüğü nedeniyle Dünya'da haritalanması en zor yerlerden biridir. Bu durum, buzulları, açıkta kalan kayaları ve arazinin zaman içinde nasıl değiştiğini anlamamızda boşluklar oluşturur.

AlphaEarth, uydu görüntülerini radar ve yükseklik verileriyle birleştirerek, görünürlüğün sınırlı olduğu bölgelerde bile Antarktika'nın tutarlı yıllık haritalarını oluşturur. Eksik ayrıntıları tamamlayabilir ve araştırmacıların buzulları, yüzey dokularını ve karla kaplı arazileri daha doğru biçimde takip etmesine yardımcı olan 10 metrelik çözünürlükte arazi haritaları üretebilir.

Yeni AI modelinin artıları ve eksileri: AlphaEarth#

Yeni AI modeli AlphaEarth Foundations'ın Dünya gözlemi ve kentsel planlama uygulamaları için sunduğu temel avantajlardan bazıları şunlardır:

• Çok yönlülük: AlphaEarth; ayrı modellere ihtiyaç duymadan tarım, kentsel planlama ve afet müdahalesi gibi birçok alanda kullanılabilir.
• Veri boşluklarını doldurur: Bu yeni Google AI modeli, uydu girdileri eksik olduğunda bile yıllık özetler oluşturabilir ve zaman serisi analizinde sürekliliğin korunmasına yardımcı olur.
• AI'a hazır çıktılar: Araştırmacılar ve geliştiriciler için zaman kazandırarak doğrudan ürün izleyicileri, sel tespit araçları veya arazi kullanımı sınıflandırıcıları gibi araçlara aktarılabilen embedding'ler üretir.

AlphaEarth çeşitli alanlarda güvenilir destek sunsa da akılda tutulması gereken birkaç sınırlama vardır:

• Gerçek zamanlı değildir: AlphaEarth'ün yıllık embedding'leri, günlük veya gerçeğe yakın zamanlı izleme gerektiren uygulamalar için uygun değildir.
• Girdi kalitesine bağlıdır: Boşlukları doldursa da model, uydu, radar ve diğer girdi veri kaynaklarının kalitesine ve kullanılabilirliğine bağlı olmaya devam eder.
• Yorumlanabilirliği sınırlıdır: Çoğu derin öğrenme modelinde olduğu gibi AlphaEarth'ün belirli örüntülere veya tahminlere tam olarak nasıl ulaştığını yorumlamak zor olabilir.

Önemli çıkarımlar#

AlphaEarth Foundation, araştırmacıların, planlamacıların ve politika yapıcıların gezegeni yeni şekillerde görmesine yardımcı oluyor. Google'ın yeni AI modeli, ham uydu girdilerini iklim bilimi, tarım ve kentsel gelişim gibi alanlarda daha iyi kararları destekleyen yapılandırılmış ve güvenilir bilgilere dönüştürebilir. Dünya gözlemini ilerleterek gezegenimizdeki değişiklikleri zaman içinde izlemeyi ve anlamayı kolaylaştırıyor.

Topluluğumuza katıl ve GitHub depomuzda AI yeniliklerini keşfet. Çözümler sayfalarımız üzerinden tarımda AI ve sağlık hizmetlerinde bilgisayarlı görü hakkında bilgi edin. Lisanslama planlarımıza göz at ve bugün AI kullanmaya başla!