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 foundation model về địa không gian được phát triển bởi Google DeepMind. Đây là một trong những điểm nổi bật trong tin tức AI gần đây của Google và được xây dựng để giúp việc làm việc với dữ liệu quan sát Trái đất toàn cầu trở nên nhanh chóng, rõ ràng 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 xác định phạm vi bằng ánh sáng), các mô hình độ cao và mô phỏng khí hậu. Sử dụng phạm vi dữ liệu đầu vào rộng lớn này, nó tạo ra các góc nhìn hàng năm về hành tinh với độ phân giải 10 mét.

Nói một cách đơn giản, điều này có nghĩa là nó có thể tạo ra các bản đồ rõ ràng, nhất quán về bề mặt Trái đất, ngay cả ở những khu vực khó quan sát, vì vậy những thay đổi về đất, nước và khí hậu dễ dàng được phát hiện và theo dõi theo thời gian hơn. Các ảnh chụp nhanh này hiện đã có sẵn thông qua Google Earth Engine, nền tảng đám mây của Google dành cho dữ liệu địa không gian.

Trong bài viết này, chúng ta sẽ xem xét cách AlphaEarth Foundations sử dụng AI cho Google Earth Engine để hỗ trợ các dự án quan sát Trái đất trong thực tế.

Link to this sectionAlphaEarth: Mô hình AI mới của Google dành cho quan sát Trái đất#

AlphaEarth Foundations cung cấp một cách mới để hiểu về hành tinh của chúng ta thông qua một hệ thống liên tục và năng động. Thay vì xem xét từng hình ảnh riêng biệt, mô hình AI mới xây dựng một bức tranh thống nhất, có cấu trúc về bề mặt Trái đất theo cả không gian và thời gian.

Để tạo ra cái nhìn này, nó dựa trên nhiều nguồn dữ liệu khác nhau, bao gồm hình ảnh vệ tinh, bản đồ độ cao, mô hình khí hậu và các báo cáo về đa dạng sinh học. Điều này giúp nó phát hiện ra những thay đổi trong môi trường và phân tích nguyên nhân đằng sau chúng.

Đặc biệt, AlphaEarth có thể thể hiện cách cảnh quan của Trái đất thay đổi qua các năm. Các ảnh chụp nhanh này được xây dựng bằng cách sử dụng các embedding, vốn là những bản tóm tắt nhỏ gọn về những gì mô hình đã học được về từng vị trí.

Hình 1. Mô hình AI của Google sử dụng các embedding số để lập bản đồ bề mặt Trái đất. (Nguồn)

Một bộ sưu tập các embedding này có sẵn thông qua tập dữ liệu Satellite Embedding của Google Earth Engine. Chúng đã được sử dụng trong các lĩnh vực như ứng phó với cháy rừng, quy hoạch đô thị và giám sát đất đai. Điều này giúp các nhà nghiên cứu và người ra quyết định chuyển đổi dữ liệu vệ tinh thành những thông tin chi tiết hữu ích.

Link to this sectionAI và khí hậu: Tầm quan trọng của AlphaEarth#

Một lợi ích chính của AlphaEarth Foundations là giúp việc nghiên cứu những thay đổi dài hạn đối với hành tinh của chúng ta trở nên dễ dàng hơn. Nó hoạt động tốt ngay cả ở những khu vực khó khăn nơi dữ liệu bị thiếu hoặc mây thường che khuất tầm nhìn vệ tinh. Ví dụ, tại rừng mưa Amazon, nơi độ che phủ của mây là một vấn đề thường xuyên, AlphaEarth vẫn có thể phát hiện những thay đổi về đất đai bằng cách học hỏi từ các mô hình trên khắp thế giới.

Trong các bài kiểm tra benchmark, nó đã giảm sai sót phân loại gần 24% và yêu cầu lưu trữ ít hơn 16 lần cho mỗi embedding. Đáng chú ý là mô hình AI mới này không cần phải huấn luyện lại cho mỗi ứng dụng.

Nó hiệu quả và có khả năng thích ứng trên các khu vực và thách thức khác nhau. Điều này là do AlphaEarth tạo ra các embedding đa năng, là những bản tóm tắt nhỏ gọn, giàu thông tin về từng vị trí, có thể được sử dụng trực tiếp cho nhiều loại phân tích mà không cần phải xây dựng lại toàn bộ mô hình.

Cho đến nay, mô hình AI mới của Google Earth đã được sử dụng để giám sát những thay đổi về đất đai tại hơn 100 quốc gia, bao gồm rừng nhiệt đới, các vùng Bắc Cực và những thành phố đang mở rộng. Những thông tin chi tiết này đang được sử dụng để hỗ trợ việc quy hoạch thông minh hơn và đưa ra các quyết định về khí hậu sáng suốt hơn.

Hình 2. Trực quan hóa các mô hình toàn cầu với mô hình AI mới của Google. (Nguồn)

Link to this sectionCách AlphaEarth sử dụng computer vision để quan sát Trái đất#

Mặc dù hình ảnh vệ tinh có thể được sử dụng để chụp lại những góc nhìn chi tiết về bề mặt Trái đất, nhưng việc biến những hình ảnh đó thành thông tin chi tiết có ý nghĩa không phải lúc nào cũng đơn giản. AlphaEarth Foundations sử dụng computer vision, một nhánh của AI cho phép máy móc diễn giải thông tin hình ảnh, để phát hiện và phân tích các mô hình trên đất liền, thảm thực vật và địa hình.

Dưới đây là cách mô hình áp dụng các computer vision tasks khác nhau vào việc quan sát Trái đất:

• Image classification: AlphaEarth xác định các loại đất như rừng, đất canh tác, đất ngập nước và khu vực đô thị từ hình ảnh vệ tinh. Các phân loại này hỗ trợ việc giám sát khí hậu, nghiên cứu sinh thái và quy hoạch sử dụng đất.
• Segmentation: Còn được gọi là bản đồ chuyên đề, segmentation gắn nhãn từng pixel trong một ảnh vệ tinh với một danh mục như loại cây trồng hoặc lớp phủ thực vật. AlphaEarth sử dụng các embedding hàng năm của mình để duy trì độ chính xác cao trên các khu vực, cho phép lập bản đồ chi tiết về việc sử dụng đất, lớp phủ đất và đa dạng sinh học.
• Change detection: Bằng cách so sánh các embedding hàng năm cho cùng một vị trí, AlphaEarth có thể phát hiện những thay đổi trong việc sử dụng đất và lớp phủ đất, chẳng hạn như deforestation, tác động của cháy rừng hoặc sự phát triển đô thị. Nó hoạt động với cả các phương pháp có giám sát (học từ các ví dụ được gắn nhãn) và các phương pháp không giám sát (tìm kiếm các mô hình mà không cần nhãn).
• Unsupervised clustering: Không cần sử dụng bất kỳ dữ liệu được gắn nhãn nào, AlphaEarth có thể nhóm các khu vực hiển thị các mô hình tương tự trong hình ảnh vệ tinh. Điều này giúp phát hiện các xu hướng như thay đổi thảm thực vật hoặc các bất thường về khí hậu ở các khu vực mới hoặc ít được nghiên cứu. Nó đặc biệt hiệu quả khi dữ liệu được gắn nhãn bị hạn chế hoặc thiếu.

Hình 3. Một cái nhìn về việc sử dụng AI cho sự đổi mới mới nhất của Google, AlphaEarth, để hiểu về môi trường Trái đất vào năm 2023. (Nguồn)

Link to this sectionCác ứng dụng thực tế của mô hình AI mới của Google#

Với sự hiểu biết tốt hơn về cách AI dành cho các công nghệ quan sát Trái đất mới của Google hoạt động, hãy cùng khám phá các ứng dụng thực tế của AlphaEarth Foundations.

Link to this sectionSáng kiến AI của Google Earth cho 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 tăng cường sức khỏe cộng đồng. Nhưng việc xác định chính xác vị trí cây cối ở đâu và ở đâu không có cây có thể rất khó khăn. Ở các khu dân cư đông đúc và đường phố chật hẹp, cây xanh thường không bị phát hiện trong hình ảnh vệ tinh hoặc 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 tra mô hình AI Google mới này, các nhà nghiên cứu đã sử dụng hơn 45.000 hồ sơ cây từ iNaturalist.

Họ tập trung vào 39 chi cây phổ biến (các nhóm loài có liên quan chặt chẽ) được tìm thấy trên tất cả các bang của Mỹ, bao gồm Alaska và Hawaii. Dữ liệu đã được làm sạch và chia thành các tập huấn luyện và kiểm tra, với 300 mẫu mỗi chi được sử dụng để huấn luyện và phần còn lại để kiểm tra.

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

Link to this sectionLập bản đồ cây trồng thông minh hơn được hỗ trợ bởi các vệ tinh quan sát Trái đất#

Hàng tồn kho cây trồng của Canada phụ thuộc rất nhiều vào các quan sát ở cấp độ thực địa, đặc biệt là ở những khu vực không có hồ sơ bảo hiểm cây trồng (báo cáo chính thức về loại cây trồng, vị trí và diện tích được thu thập cho các chương trình bảo hiểm nông nghiệp). Các cuộc khảo sát bằng ô tô, thường được thực hiện từ các phương tiện đang di chuyển, được sử dụng để theo dõi các loại cây trồng chính như ngũ cốc, hạt có dầu, trái cây và cỏ làm thức ăn gia súc.

Nhưng vì một số loại cây trồng được ghi lại thường xuyên hơn các loại khác, dữ liệu có thể không đồng đều và khó chuyển đổi thành các bản đồ đáng tin cậy ở quy mô lớn. Để giải quyết những vấn đề này, AlphaEarth có thể hỗ trợ cả crop classification ở cấp độ cao và chi tiết dựa trên dữ liệu từ các vệ tinh quan sát Trái đất.

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

Hình 4. Google AlphaEarth giúp phân loại cây trồng ở Canada. (Nguồn)

Link to this sectionKhám phá địa hình toàn cầu với AI cho công nghệ Google Earth#

Nam Cực là một trong những nơi khó lập bản đồ nhất trên Trái đất, với thời tiết khắc nghiệt, tuyết phủ liên tục và tầm nhìn vệ tinh hạn chế. Điều này để lại những khoảng trống trong hiểu biết của chúng ta về các sông băng, đá lộ thiên và cách cảnh quan thay đổi theo thời gian.

Bằng cách kết hợp hình ảnh vệ tinh với radar và dữ liệu độ cao, AlphaEarth tạo ra các bản đồ hàng năm nhất quán về Nam Cực, ngay cả ở những khu vực có tầm nhìn hạn chế. Nó có thể lấp đầy các chi tiết còn thiếu và tạo ra các 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.

Link to this sectionƯu và nhược điểm của mô hình AI mới: AlphaEarth#

Dưới đây là một số ưu điểm chính mà mô hình AI mới, 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 mô hình riêng biệt.
• Lấp đầy khoảng trống dữ liệu: Mô hình AI Google mới này có thể tạo ra các bản tóm tắt hàng năm ngay cả khi dữ liệu vệ tinh đầu vào không đầy đủ, giúp duy trì tính liên tục trong phân tích chuỗi thời gian.
• Đầu ra sẵn sàng cho AI: Nó tạo ra các embedding có thể đưa trực tiếp vào các công cụ như giám sát cây trồng, phát hiện lũ lụt hoặc phân loại sử dụng đất, giúp tiết kiệm thời gian cho các nhà nghiên cứu và nhà phát triển.

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

• Không phải thời gian thực: Các embedding hàng năm từ AlphaEarth không phù hợp cho các ứng dụng yêu cầu giám sát hàng ngày hoặc gần thời gian thực.
• Phụ thuộc vào chất lượng đầu vào: Mặc dù nó lấp đầy các khoảng trống, mô hình vẫn dựa vào chất lượng và tính sẵn có của dữ liệu vệ tinh, radar và các nguồn dữ liệu đầu vào khác.
• Khả năng diễn giải hạn chế: Như với hầu hết các mô hình deep learning, rất khó để diễn giải chính xác cách AlphaEarth đi đến các mô hình hoặc dự đoán nhất định.

Link to this sectionCác điểm chính cần lưu ý#

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

Tham gia cộng đồng của chúng tôi và khám phá các đổi mới AI trên kho lưu trữ GitHub của chúng tôi. Tìm hiểu về AI trong nông nghiệp và computer vision trong chăm sóc sức khỏe thông qua các trang giải pháp của chúng tôi. Xem các gói cấp phép của chúng tôi và bắt đầu với AI ngay hôm nay!