Google AlphaEarth 利用观测数据绘制全球地图

AlphaEarth Foundations 于 2025 年 7 月 30 日发布，是 Google DeepMind 开发的地理空间基础模型。它是近期 Google AI 新闻中的一大亮点，旨在让全球地球观测数据的处理更快速、更清晰、更可靠。

AlphaEarth Foundations 使用数十亿个数据点进行训练，这些数据点来自卫星影像、雷达、LiDAR（激光探测与测距）、高程模型和气候模拟。借助这些丰富的输入数据，它可以生成覆盖全球、分辨率为 10 米的年度地表图像。

简而言之，它能够生成清晰一致的地表地图，即使是难以观测的区域也不例外，因此更容易发现并追踪土地、水域和气候随时间发生的变化。这些快照现已通过 Google Earth Engine（Google 的地理空间数据云平台）提供。

本文将介绍 AlphaEarth Foundations 如何在 Google Earth Engine 中运用 AI，为真实世界的地球观测项目提供支持。

AlphaEarth：Google 的地球观测新 AI 模型#

AlphaEarth Foundations 通过一个连续、动态的系统，为理解我们的星球提供了全新方式。这个新 AI 模型不再单独查看每张图像，而是构建一幅统一、结构化的地表图景，涵盖空间和时间两个维度。

为了生成这幅图景，它会利用各种数据来源，包括卫星图像、高程地图、气候模型和生物多样性报告。这有助于模型发现环境变化，并分析变化背后的原因。

具体来说，AlphaEarth 可以展示地球景观多年来的变化情况。这些快照基于嵌入向量构建，它们是模型对每个地点所学内容的精简表示。

图 1. Google 的 AI 模型使用数值嵌入向量绘制地球表面。(来源)

一系列嵌入向量可通过 Google Earth Engine 的 Satellite Embedding 数据集获取。这些嵌入向量已用于野火应对、城市规划和土地监测等领域。这有助于研究人员和决策者将卫星数据转化为有用的见解。

AI 与气候：AlphaEarth 的重要意义#

AlphaEarth Foundations 的一项主要优势是让研究地球的长期变化变得更容易。即使在数据缺失或云层经常遮挡卫星视野的复杂地区，它也能很好地发挥作用。例如，在云层覆盖一直是难题的亚马逊雨林，AlphaEarth 仍可通过学习全球各地的模式来发现土地变化。

在基准测试中，它将误分类错误减少了近 24%，并将每个嵌入向量所需的存储空间减少到原来的十六分之一。有趣的是，这个新 AI 模型无需针对每种应用重新训练。

它能高效适应不同地区和各种挑战。这是因为 AlphaEarth 会生成通用嵌入向量——对每个地点进行紧凑且信息丰富的概括——无需重新构建整个模型，就能直接用于多种分析。

迄今为止，AlphaEarth 已用于监测 100 多个国家和地区的土地变化，包括热带森林、北极地区和不断扩张的城市。这些洞察正被用于支持更明智的规划和气候决策。

图 2. 使用 Google 新 AI 模型可视化全球模式。(来源)

AlphaEarth 如何运用计算机视觉进行地球观测#

卫星图像可以捕捉地球表面的详细景象，但要从这些图像中提取有意义的洞察并不总是那么简单。AlphaEarth Foundations 运用计算机视觉——AI 的一个分支，它使机器能够解读视觉信息——来检测和分析土地、植被和地形中的模式。

以下是该模型如何将不同的计算机视觉任务应用于地球观测：

• 图像分类：AlphaEarth 根据卫星影像识别森林、农田、湿地和城市区域等土地类型。这些分类结果有助于气候监测、生态研究和土地利用规划。
• 分割：分割也称专题制图，会为卫星图像中的每个像素标注一个类别，例如作物类型或植被覆盖情况。AlphaEarth 使用年度嵌入向量，在不同地区保持高准确率，从而支持对土地利用、土地覆盖和生物多样性进行精细制图。
• 变化检测： 通过比较同一地点不同年份的嵌入向量，AlphaEarth 可以检测土地利用和土地覆盖的变化，例如森林砍伐、野火影响或城市扩张。它既适用于监督方法（从带标签的示例中学习），也适用于无监督方法（在没有标签的情况下发现模式）。
• 无监督聚类： 无需使用任何带标签的数据，AlphaEarth 就可以将卫星图像中呈现相似模式的区域归为一组。这有助于在新地区或研究不足的地区发现植被变化或气候异常等趋势。当带标签的数据有限或缺失时，这种方法尤其有用。

图 3. 使用 AlphaEarth 了解 2023 年地球环境的示例。(来源)

Google 新 AI 模型的现实应用#

了解 AlphaEarth 的工作原理后，接下来我们来看看它在现实世界中的应用。

Google Earth 推动美国城市绿化的 AI 项目#

美国各地的城市都在扩大城市森林，以降低热度、吸收污染并促进公众健康。但要准确确定树木的位置和空缺区域并不容易。在人口密集的街区和狭窄的街道上，卫星图像或传统调查经常无法发现绿地。

不过，AlphaEarth 会利用卫星、高程和环境数据，以精细的程度绘制树木覆盖范围。为了测试模型，研究人员使用了 iNaturalist 上超过 45,000 条树木记录。

他们重点研究了美国所有州（包括阿拉斯加和夏威夷）常见的 39 个树属（亲缘关系密切的物种群）。清理数据后，他们将数据分为训练集和测试集，每个属使用 300 个样本进行训练，其余样本用于测试。

该模型利用卫星、高程和环境数据准确绘制了树木覆盖情况，展现出填补传统调查数据缺口的能力。这些洞察有助于底特律、纽约和菲尼克斯等城市更好地决定在哪里种树、为街区降温并支持本地生物多样性。

借助地球观测卫星，更智能地绘制作物地图#

加拿大的作物清单严重依赖地块级观测，尤其是在没有作物保险记录的地区（为农业保险项目收集的作物类型、位置和种植面积官方报告）。这些沿路调查通常在行驶中的车辆上进行，用于追踪谷物、油料作物、水果和饲料作物等主要作物。

但由于某些作物类型的记录频率高于其他类型，数据可能分布不均，也难以转化为可靠的大范围地图。为了解决这些问题，AlphaEarth 可以根据地球观测卫星的数据，支持高层级和精细的作物分类。

它可以将作物归入谷物或油料作物等宽泛类别。在具备详细调查数据的地区，它还可以识别春小麦、玉米或苜蓿等具体作物类型。这种双层方法兼顾了覆盖范围与细节，让人们更清楚地了解加拿大各地种植了什么。

图 4. Google AlphaEarth 帮助对加拿大的作物进行分类。(来源)

利用 Google Earth 技术和 AI 探索全球地形#

南极洲是地球上最难绘制地图的地区之一，那里天气极端、常年积雪，卫星观测能力也有限。因此，我们对当地冰川、裸露岩石以及地貌随时间变化的了解仍存在空白。

AlphaEarth 将卫星图像与雷达和高程数据结合起来，即使在能见度有限的地区，也能生成一致的南极洲年度地图。它可以补全缺失的细节，并生成分辨率为 10 米的地形地图，帮助研究人员更准确地追踪冰川、地表纹理和积雪覆盖的土地。

新 AI 模型 AlphaEarth 的优缺点#

以下是 AlphaEarth Foundations 在地球观测和城市规划应用中的一些主要优势：

• 适用范围广： AlphaEarth 可用于农业、城市规划和灾害应对等多个领域，无需为不同领域分别构建模型。
• 弥补数据缺口：即使卫星输入数据不完整，AlphaEarth 也能生成年度摘要，有助于保持时间序列分析的连续性。
• 适用于 AI 的输出： 它生成的嵌入向量可以直接输入作物监测、洪水检测或土地利用分类等工具，为研究人员和开发者节省时间。

虽然 AlphaEarth 能为各种领域提供可靠支持，但仍有一些局限性需要注意：

• 非实时： AlphaEarth 的年度嵌入向量不适用于需要每日或近实时监测的应用。
• 依赖输入数据质量： 虽然它能填补数据空白，但模型仍依赖卫星、雷达和其他输入数据源的质量与可用性。
• 可解释性有限： 与大多数深度学习模型一样，要准确解释 AlphaEarth 如何得出某些模式或预测，可能并不容易。

要点#

AlphaEarth Foundations 正帮助研究人员、规划人员和政策制定者以新的方式观察地球。Google 的新 AI 模型可以将原始卫星输入数据转换为结构化、可靠的信息，为气候科学、农业和城市发展等领域提供更好的决策依据。通过推动地球观测的发展，这项技术让我们更轻松地监测和了解地球随时间发生的变化。

加入我们的社区，并在我们的 GitHub 仓库探索 AI 创新。通过我们的解决方案页面，了解AI 在农业中的应用和计算机视觉在医疗领域的应用。查看我们的许可方案，立即开始使用 AI！