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 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 việc xử lý dữ liệu quan trắc 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), các model độ cao và mô phỏng khí hậu. Nhờ sử dụng phạm vi đầu vào đa dạng này, model tạo ra các ảnh chụp Trái Đất hằng năm với độ phân giải 10 mét.

Nói đơn giản, điều này có nghĩa là model có thể tạo ra các bản đồ rõ ràng, nhất quán về bề mặt Trái Đất, ngay cả tại những khu vực khó quan sát, giúp dễ dàng phát hiện và theo dõi các thay đổi của đất, nước và khí hậu theo thời gian. Các ảnh chụp này hiện 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 trắc Trái Đất trong thực tế.

AlphaEarth: model AI mới của Google dành cho quan trắc Trái Đất#

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

Để tạo ra góc nhìn này, model sử dụng nhiều nguồn khác nhau, bao gồm ảnh vệ tinh, bản đồ độ cao, model khí hậu và các báo cáo về đa dạng sinh học. Điều này giúp model phát hiện những thay đổi trong môi trường và phân tích nguyên nhân phía sau chúng.

Cụ thể, AlphaEarth có thể thể hiện cách các cảnh quan trên Trái Đất thay đổi qua nhiều năm. Các ảnh chụp này được xây dựng bằng embeddings, tức những bản tóm tắt cô đọng về những gì model đã học được đối với từng vị trí.

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

Một tập hợp các embeddings này có sẵn thông qua dataset 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 dữ liệu vệ tinh thành những thông tin chuyên sâu hữu ích.

AI và khí hậu: Ý nghĩa của AlphaEarth#

Một lợi ích chính của AlphaEarth Foundations là giúp việc nghiên cứu những thay đổi dài hạn trên hành tinh của chúng ta trở nên dễ dàng hơn. Model hoạt động tốt ngay cả ở những khu vực phức tạp, nơi dữ liệu bị thiếu hoặc mây thường che khuất tầm nhìn của vệ tinh. Ví dụ, tại rừng mưa Amazon, nơi mây che phủ luôn là một vấn đề, AlphaEarth vẫn có thể phát hiện các thay đổi trên đất liền bằng cách học từ những pattern trên toàn thế giới.

Trong các bài kiểm tra benchmark, model đã giảm gần 24% lỗi phân loại sai và yêu cầu dung lượng lưu trữ cho mỗi embedding ít hơn 16 lần. Điều thú vị là model AI mới này không cần được huấn luyện lại cho từng ứng dụng.

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

Cho đến nay, model AI mới của Google Earth đã được sử dụng để giám sát các thay đổi trên đất liền tại hơn 100 quốc gia, bao gồm rừng nhiệt đới, các khu vực Bắc Cực và những thành phố đang mở rộng. Những thông tin chuyên sâu này đang được sử dụng để hỗ trợ quy hoạch hiệu quả hơn và đưa ra các quyết định sáng suốt hơn về khí hậu.

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

Cách AlphaEarth sử dụng computer vision cho quan trắc Trái Đất#

Mặc dù ảnh vệ tinh có thể được sử dụng để ghi lại hình ảnh chi tiết về bề mặt Trái Đất, việc chuyển những hình ảnh đó thành các thông tin chuyên sâu 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 pattern trên đất liền, thảm thực vật và địa hình.

Dưới đây là cách model áp dụng các tác vụ computer vision khác nhau cho quan trắc 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. Những kết quả phân loại này hỗ trợ giám sát khí hậu, nghiên cứu sinh thái và quy hoạch sử dụng đất.
• Segmentation: Còn được gọi là lập bản đồ chuyên đề, segmentation gán cho mỗi pixel trong ảnh vệ tinh một category, chẳng hạn như loại cây trồng hoặc độ che phủ thực vật. AlphaEarth sử dụng các embeddings hằng năm để duy trì độ chính xác cao trên nhiều khu vực, 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 các embeddings hằng năm của cùng một vị trí, AlphaEarth có thể phát hiện những thay đổi trong sử dụng đất và lớp phủ đất, chẳng hạn như phá rừng, tác động của cháy rừng hoặc sự phát triển đô thị. Model hoạt động với cả phương pháp có giám sát (học từ các ví dụ đã gắn nhãn) và phương pháp không giám sát (tìm kiếm pattern mà không cần nhãn).
• Phân cụm không giám sát: Không sử dụng dữ liệu đã gắn nhãn, AlphaEarth có thể nhóm các khu vực thể hiện những pattern tương tự trong ảnh vệ tinh. Điều này giúp phát hiện các xu hướng như thay đổi thảm thực vật hoặc các bất thường về khí hậu tại những khu vực mới hoặc chưa được nghiên cứu đầy đủ. Khả năng này đặc biệt hữu ích khi dữ liệu đã gắn nhãn bị hạn chế hoặc thiếu.

Hình 3. Khám phá việc sử dụng AI cho cải tiến mới nhất của Google, AlphaEarth, để tìm hiểu môi trường Trái Đất vào năm 2023. (Nguồn)

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

Sau khi hiểu rõ hơn về cách AI cho các công nghệ quan trắc Trái Đất mới của Google hoạt động, hãy cùng khám phá các ứng dụng thực tế của AlphaEarth Foundations.

Sáng kiến AI của Google Earth cho các thành phố xanh hơn tại Hoa Kỳ#

Trên khắp Hoa Kỳ, 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 vị trí có và không có cây có thể là một thách thức. Tại các khu dân cư dày đặc và những con phố hẹp, cây xanh thường không được phát hiện trong 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 cây với độ chi tiết cao. Để thử nghiệm model AI mới này của Google, 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 (nhóm các loài có quan hệ gần) được tìm thấy tại tất cả các bang của Hoa Kỳ, bao gồm Alaska và Hawaii. Dữ liệu được làm sạch và chia thành các tập huấn luyện và kiểm thử, trong đó 300 mẫu cho mỗi chi được sử dụng để huấn luyện, còn lại dùng để kiểm thử.

Model đã lập bản đồ chính xác độ che phủ cây từ dữ liệu vệ tinh, độ cao và môi trường, cho thấy model có thể bù đắp những khoảng trống do 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 các vệ tinh quan trắc Trái Đất#

Hệ thống kiểm kê cây trồng của Canada phụ thuộc nhiều vào các quan sát ở cấp đồng ruộng, đặc biệt tại những khu vực không có hồ sơ bảo hiểm cây trồng (các báo cáo chính thức về loại cây trồng, vị trí và diện tích được thu thập cho các chương trình bảo hiểm nông nghiệp). Những cuộc khảo sát từ xe, thường được thực hiện trên các phương tiện đang di chuyển, được sử dụng để theo dõi các cây trồng chính như ngũ cốc, cây lấy dầu, trái cây và cây thức ăn gia súc.

Tuy nhiên, vì một số loại cây trồng được ghi nhận thường xuyên hơn những loại khác, dữ liệu có thể không đồng đều và khó chuyển đổi 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 cấp độ tổng quát và chi tiết dựa trên dữ liệu từ các vệ tinh quan trắc Trái Đất.

Model có thể nhóm cây trồng vào các category tổng quát như ngũ cốc hoặc cây lấy dầu. Tại 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. Phương pháp hai cấp độ này cân bằng giữa phạm vi bao phủ và độ chi tiết, mang đến bức tranh rõ ràng hơn về những gì đang được trồng trên khắp Canada.

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

Khám phá các địa hình toàn cầu bằng 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 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 các sông băng, đá lộ thiên và cách cảnh quan thay đổi 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 của Nam Cực, ngay cả tại những khu vực có khả năng quan sát hạn chế. Model có thể bổ sung các chi tiết còn thiếu và tạo ra 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 model AI mới AlphaEarth Foundations mang lại cho các ứng dụng quan trắc 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: Model AI mới này của Google có thể tạo các bản tóm tắt hằng năm ngay cả khi đầu vào từ vệ tinh không đầy đủ, giúp duy trì tính liên tục trong phân tích chuỗi thời gian.
• Đầu ra sẵn sàng cho AI: Model tạo ra các embeddings có thể được đưa trực tiếp vào những công cụ như hệ thống giám sát cây trồng, bộ phát hiện lũ hoặc bộ phân loại sử dụng đất, giúp các nhà nghiên cứu và developer tiết kiệm thời gian.

Mặc dù AlphaEarth cung cấp khả năng hỗ trợ đáng tin cậy trong nhiều lĩnh vực, dưới đây là một số hạn chế cần lưu ý:

• Không hoạt động theo thời gian thực: Các embeddings hằng năm từ AlphaEarth không phù hợp với những ứng dụng yêu cầu giám sát hằng ngày hoặc gần thời gian thực.
• Phụ thuộc vào chất lượng đầu vào: Mặc dù có thể bù đắp các khoảng trống, model vẫn phụ thuộc vào chất lượng và khả năng sẵn có của dữ liệu đầu vào từ vệ tinh, radar và các nguồn dữ liệu khác.
• Khả năng diễn giải hạn chế: Cũng như hầu hết các model deep learning, việc diễn giải chính xác cách AlphaEarth đi đến một số pattern hoặc dự đoán nhất định có thể khó khăn.

Những điểm chính#

AlphaEarth Foundation 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 đổi dữ liệu đầu vào thô từ vệ tinh thành thông tin có cấu trúc, đáng tin cậy, hỗ trợ đưa 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 trắc 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 cải tiến về AI trên repository 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 sử dụng AI ngay hôm nay!