Google AlphaEarth sử dụng dữ liệu quan sát để lập bản đồ toàn cầu

Được giới thiệu vào ngày 30 tháng 7 năm 2025, AlphaEarth Foundations là một model nền tảng địa không gian do Google DeepMind phát triển. Đây là một trong những điểm nổi bật trong các tin tức AI gần đây của Google, được xây dựng để giúp xử lý dữ liệu quan sát Trái Đất toàn cầu nhanh hơn, rõ ràng hơn và đáng tin cậy hơn.

AlphaEarth Foundations được huấn luyện trên hàng tỷ điểm dữ liệu từ ảnh vệ tinh, radar, LiDAR (phát hiện và đo khoảng cách bằng ánh sáng), model độ cao và mô phỏng khí hậu. Nhờ sử dụng đa dạng dữ liệu đầu vào này, model tạo ra các hình ảnh Trái Đất hằng năm với độ phân giải 10 mét.

Nói một cách đơn giản, model có thể tạo ra bản đồ rõ ràng, nhất quán về bề mặt Trái Đất, kể cả ở những khu vực khó quan sát, giúp dễ dàng phát hiện và theo dõi những thay đổi về đất đai, nước và khí hậu theo thời gian. Các ảnh chụp này hiện có trên Google Earth Engine, nền tảng đám mây về dữ liệu địa không gian của Google.

Trong bài viết này, chúng ta sẽ tìm hiểu cách AlphaEarth Foundations sử dụng AI trên Google Earth Engine để hỗ trợ các dự án quan sát Trái Đất trong thực tế.

AlphaEarth: Model AI mới của Google phục vụ quan sát Trái Đất#

AlphaEarth Foundations mang đến một cách mới để tìm hiểu hành tinh của chúng ta thông qua một hệ thống liên tục và linh hoạt. Thay vì xem từng ảnh riêng biệt, model AI mới xây dựng một bức tranh thống nhất, có cấu trúc về bề mặt Trái Đất theo cả không gian lẫn thời gian.

Để tạo ra góc nhìn này, model khai thác nhiều nguồn dữ liệu, bao gồm ảnh vệ tinh, bản đồ độ cao, model khí hậu và báo cáo về đa dạng sinh học. Điều này giúp model nhận biết những thay đổi của môi trường và phân tích nguyên nhân đằng sau chúng.

Cụ thể, AlphaEarth có thể minh họa sự thay đổi của cảnh quan Trái Đất qua nhiều năm. Những ảnh chụp nhanh này được tạo từ các embedding, là bản tóm tắt cô đọng những gì model đã học được về từng địa điểm.

Hình 1. Model AI của Google sử dụng embedding dạng số để lập bản đồ bề mặt Trái Đất. (Nguồn)

Một tập hợp các embedding này có trong bộ dữ liệu Satellite Embedding của Google Earth Engine. Các embedding đã được sử dụng trong những lĩnh vực như ứng phó cháy rừng, quy hoạch đô thị và giám sát đất đai. Điều này giúp các nhà nghiên cứu và nhà hoạch định chính sách chuyển dữ liệu vệ tinh thành thông tin chuyên sâu hữu ích.

AI và khí hậu: Tầm quan trọng của AlphaEarth#

Một lợi ích chính của AlphaEarth Foundations là giúp nghiên cứu những thay đổi dài hạn trên hành tinh dễ dàng hơn. Model hoạt động hiệu quả ngay cả ở những khu vực khó xử lý, nơi thiếu dữ liệu hoặc mây thường che khuất ảnh vệ tinh. Ví dụ, tại rừng mưa Amazon, nơi mây che phủ liên tục gây trở ngại, AlphaEarth vẫn có thể phát hiện thay đổi về đất đai bằng cách học từ các quy luật trên toàn thế giới.

Trong các thử nghiệm benchmark, model giảm gần 24% lỗi phân loại sai và cần dung lượng lưu trữ cho mỗi embedding ít hơn 16 lần. Đáng chú ý, model AI mới này không cần huấn luyện lại cho từng ứng dụng.

Model hoạt động hiệu quả và có thể thích ứng với nhiều khu vực cũng như thách thức khác nhau. Điều này là nhờ AlphaEarth tạo ra các embedding đa dụng—những bản tóm tắt cô đọng, giàu thông tin về từng địa điểm—có thể được sử dụng trực tiếp cho nhiều loại phân tích mà không cần xây dựng lại toàn bộ model.

Cho đến nay, AlphaEarth đã được dùng để giám sát những thay đổi trên đất liền tại hơn 100 quốc gia, bao gồm rừng nhiệt đới, các vùng Bắc Cực và những thành phố đang mở rộng. Những thông tin chuyên sâu này đang được dùng để hỗ trợ quy hoạch thông minh hơn và đưa ra quyết định về khí hậu có cơ sở hơn.

Hình 2. Trực quan hóa các quy luật toàn cầu bằng model AI mới của Google. (Nguồn)

Cách AlphaEarth sử dụng thị giác máy tính để quan sát Trái Đất#

Mặc dù có thể sử dụng ảnh vệ tinh để ghi lại hình ảnh chi tiết về bề mặt Trái Đất, nhưng việc chuyển những ảnh đó thành thông tin chuyên sâu có ý nghĩa không phải lúc nào cũng đơn giản. AlphaEarth Foundations sử dụng thị giác máy tính, một nhánh của AI cho phép máy diễn giải thông tin hình ảnh, để phát hiện và phân tích các quy luật trên đất đai, thảm thực vật và địa hình.

Dưới đây là cách model áp dụng các tác vụ thị giác máy tính khác nhau vào việc quan sát Trái Đất:

• Phân loại ảnh: AlphaEarth xác định các loại đất như rừng, đất trồng trọt, vùng đất ngập nước và khu vực đô thị từ ảnh vệ tinh. Các kết quả phân loại này hỗ trợ giám sát khí hậu, nghiên cứu sinh thái và quy hoạch sử dụng đất.
• Phân đoạn: Còn được gọi là lập bản đồ chuyên đề, phân đoạn gán cho mỗi pixel trong ảnh vệ tinh một danh mục như loại cây trồng hoặc độ che phủ thực vật. AlphaEarth sử dụng embedding hằng năm để duy trì độ chính xác cao trên nhiều khu vực, qua đó cho phép lập bản đồ chi tiết về sử dụng đất, lớp phủ đất và đa dạng sinh học.
• Phát hiện thay đổi: Bằng cách so sánh embedding hằng năm của cùng một địa điểm, AlphaEarth có thể phát hiện những thay đổi về sử dụng đất và lớp phủ đất, chẳng hạn như nạn phá rừng, tác động của cháy rừng hoặc đô thị hóa. Model hỗ trợ cả phương pháp có giám sát (học từ các ví dụ đã gán nhãn) lẫn phương pháp không giám sát (tìm quy luật mà không cần nhãn).
• Phân cụm không giám sát: Không cần sử dụng dữ liệu đã gán nhãn, AlphaEarth có thể nhóm các khu vực có quy luật tương tự trong ảnh vệ tinh. Điều này giúp phát hiện các xu hướng như biến đổi thảm thực vật hoặc dị thường khí hậu ở những khu vực mới hoặc chưa được nghiên cứu nhiều. Phương pháp này đặc biệt hữu ích khi dữ liệu đã gán nhãn bị hạn chế hoặc không có sẵn.

Hình 3. Khám phá cách sử dụng AlphaEarth để tìm hiểu môi trường Trái Đất vào năm 2023. (Nguồn)

Các ứng dụng thực tế của model AI mới của Google#

Giờ đây, sau khi tìm hiểu cách AlphaEarth hoạt động, hãy cùng khám phá các ứng dụng thực tế của công nghệ này.

Sáng kiến AI của Google Earth hướng đến các thành phố xanh hơn tại Mỹ#

Trên khắp nước Mỹ, các thành phố đang phát triển rừng đô thị để giảm nhiệt, hấp thụ ô nhiễm và cải thiện sức khỏe cộng đồng. Tuy nhiên, việc xác định chính xác cây xanh ở đâu và nơi nào không có cây có thể rất khó khăn. Tại các khu dân cư đông đúc và đường phố hẹp, cây xanh thường không được phát hiện trên ảnh vệ tinh hoặc trong các cuộc khảo sát truyền thống.

Tuy nhiên, AlphaEarth sử dụng dữ liệu vệ tinh, độ cao và môi trường để lập bản đồ độ che phủ của cây với độ chi tiết cao. Để kiểm thử model, các nhà nghiên cứu đã sử dụng hơn 45.000 bản ghi về cây từ iNaturalist.

Họ tập trung vào 39 chi cây phổ biến (các nhóm gồm những loài có quan hệ gần gũi) được tìm thấy ở tất cả các bang của Mỹ, bao gồm Alaska và Hawaii. Dữ liệu được làm sạch và chia thành tập huấn luyện và tập kiểm thử; mỗi chi có 300 mẫu dùng để huấn luyện, số còn lại dùng để kiểm thử.

Model lập bản đồ chính xác độ che phủ của cây từ dữ liệu vệ tinh, độ cao và môi trường, cho thấy model có thể lấp đầy những khoảng trống mà các cuộc khảo sát truyền thống để lại. Những thông tin chuyên sâu này có thể giúp các thành phố như Detroit, New York và Phoenix đưa ra quyết định tốt hơn về nơi trồng cây, làm mát khu dân cư và hỗ trợ đa dạng sinh học địa phương.

Lập bản đồ cây trồng thông minh hơn nhờ vệ tinh quan sát Trái Đất#

Bản kiểm kê cây trồng của Canada phụ thuộc nhiều vào các quan sát tại thực địa, đặc biệt ở những khu vực không có hồ sơ bảo hiểm cây trồng (báo cáo chính thức về loại cây trồng, địa điểm và diện tích được thu thập cho các chương trình bảo hiểm nông nghiệp). Các cuộc khảo sát bằng xe, thường được thực hiện từ phương tiện đang di chuyển, được dùng để theo dõi những nhóm cây trồng chính như ngũ cốc, cây lấy dầu, trái cây và cây thức ăn gia súc.

Tuy nhiên, do một số loại cây trồng được ghi nhận thường xuyên hơn những loại khác, dữ liệu có thể thiếu đồng đều và khó chuyển thành các bản đồ quy mô lớn đáng tin cậy. Để khắc phục những vấn đề này, AlphaEarth có thể hỗ trợ phân loại cây trồng ở cả mức tổng quát lẫn chi tiết dựa trên dữ liệu từ vệ tinh quan sát Trái Đất.

Model có thể nhóm cây trồng thành các danh mục rộng như ngũ cốc hoặc cây lấy dầu. Ở những khu vực có dữ liệu khảo sát chi tiết, model cũng có thể xác định các loại cụ thể như lúa mì vụ xuân, ngô hoặc cỏ linh lăng. Cách tiếp cận hai cấp độ này cân bằng giữa phạm vi bao phủ và mức độ chi tiết, mang lại bức tranh rõ ràng hơn về các loại cây đang được trồng trên khắp Canada.

Hình 4. Google AlphaEarth hỗ trợ phân loại cây trồng tại Canada. (Nguồn)

Khám phá địa hình toàn cầu bằng công nghệ AI của Google Earth#

Nam Cực là một trong những nơi khó lập bản đồ nhất trên Trái Đất, với thời tiết khắc nghiệt, tuyết phủ quanh năm và khả năng quan sát bằng vệ tinh hạn chế. Điều này tạo ra những khoảng trống trong hiểu biết của chúng ta về sông băng, đá lộ thiên và những thay đổi của cảnh quan theo thời gian.

Bằng cách kết hợp ảnh vệ tinh với dữ liệu radar và độ cao, AlphaEarth tạo ra các bản đồ hằng năm nhất quán về Nam Cực, kể cả ở những khu vực khó quan sát. Model có thể lấp đầy các chi tiết còn thiếu và tạo bản đồ địa hình có độ phân giải 10 mét, giúp các nhà nghiên cứu theo dõi sông băng, kết cấu bề mặt và vùng đất phủ tuyết chính xác hơn.

Ưu và nhược điểm của model AI mới: AlphaEarth#

Dưới đây là một số ưu điểm chính mà AlphaEarth Foundations mang lại cho các ứng dụng quan sát Trái Đất và quy hoạch đô thị:

• Tính linh hoạt: AlphaEarth có thể được sử dụng trong nhiều lĩnh vực như nông nghiệp, quy hoạch đô thị và ứng phó thảm họa mà không cần các model riêng biệt.
• Bù đắp khoảng trống dữ liệu: AlphaEarth có thể tạo bản tóm tắt theo năm ngay cả khi dữ liệu đầu vào vệ tinh chưa đầy đủ, giúp duy trì tính liên tục trong phân tích chuỗi thời gian.
• Đầu ra sẵn sàng cho AI: Model tạo ra embedding có thể đưa trực tiếp vào các công cụ như hệ thống theo dõi cây trồng, phát hiện lũ lụt hoặc phân loại sử dụng đất, giúp tiết kiệm thời gian cho nhà nghiên cứu và nhà phát triển.

Mặc dù AlphaEarth hỗ trợ đáng tin cậy trên nhiều lĩnh vực, dưới đây là một vài hạn chế cần lưu ý:

• Không theo thời gian thực: Embedding hằng năm từ AlphaEarth không phù hợp với các ứng dụng cần giám sát hằng ngày hoặc gần thời gian thực.
• Phụ thuộc vào chất lượng dữ liệu đầu vào: Dù có thể lấp đầy khoảng trống, model vẫn phụ thuộc vào chất lượng và mức độ sẵn có của dữ liệu vệ tinh, radar và các nguồn dữ liệu đầu vào khác.
• Khả năng diễn giải hạn chế: Cũng như hầu hết các model học sâu, có thể khó diễn giải chính xác cách AlphaEarth đưa ra một số quy luật hoặc dự đoán nhất định.

Điểm chính cần ghi nhớ#

AlphaEarth Foundations đang giúp các nhà nghiên cứu, nhà quy hoạch và nhà hoạch định chính sách nhìn nhận hành tinh theo những cách mới. Model AI mới của Google có thể chuyển dữ liệu vệ tinh thô thành thông tin có cấu trúc, đáng tin cậy, hỗ trợ việc ra quyết định tốt hơn trong các lĩnh vực như khoa học khí hậu, nông nghiệp và phát triển đô thị. Bằng cách thúc đẩy hoạt động quan sát Trái Đất, model giúp việc giám sát và tìm hiểu những thay đổi của hành tinh theo thời gian trở nên dễ dàng hơn.

Tham gia cộng đồng của chúng tôi và khám phá những đổi mới về AI trên repository GitHub. Tìm hiểu về AI trong nông nghiệp và thị giác máy tính trong chăm sóc sức khỏe thông qua các trang giải pháp của chúng tôi. Xem các gói cấp phép và bắt đầu ứng dụng AI ngay hôm nay!