谷歌 AlphaEarth 利用观测数据绘制全球地图

AlphaEarth Foundations 于 2025 年 7 月 30 日推出，是谷歌 DeepMind 开发的一种地理空间基础模型。它是近期谷歌人工智能新闻的亮点之一，旨在使全球地球观测数据的处理更快、更清晰、更可靠。

AlphaEarth Foundations 是根据卫星图像、雷达、LiDAR（光探测和测距）、高程模型和气候模拟中的数十亿个数据点进行训练的。利用这些广泛的输入，它可以创建每年 10 米分辨率的地球视图。 

简单地说，这意味着它可以绘制出清晰、一致的地球表面地图，即使是在难以观察到的区域，因此更容易发现和跟踪土地、水和气候随着时间的推移而发生的变化。这些快照现在可以通过谷歌的地理空间数据云平台--谷歌地球引擎（Google Earth Engine）获取。

在本文中，我们将了解 AlphaEarth Foundations 如何利用谷歌地球引擎的人工智能来支持现实世界中的地球观测项目。 

阿尔法地球谷歌用于地球观测的新人工智能模型

AlphaEarth Foundations 提供了一种通过连续动态系统了解地球的新方法。新的人工智能模型不再单独查看每幅图像，而是构建了一幅跨越空间和时间的统一、结构化的地球表面图像。

为了创建这一视图，它从各种来源获取信息，包括卫星图像、高程地图、气候模型和生物多样性报告。这有助于它捕捉环境变化并分析其背后的原因。

特别是，AlphaEarth 可以展示地球地貌多年来的变化。这些快照是通过嵌入建立的，嵌入是模型对每个地点所了解情况的紧凑总结。 

‍

谷歌地球引擎的卫星嵌入数据集收集了这些嵌入数据。它们已被用于野火响应、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。

人工智能与气候阿尔法地球的意义

AlphaEarth Foundations 的一个主要优点是，它使研究地球的长期变化变得更加容易。即使在数据缺失或云层经常遮挡卫星视图的棘手地区，它也能很好地发挥作用。例如，在亚马逊雨林，云层覆盖是一个长期存在的问题，但 AlphaEarth 仍然可以通过学习世界各地的模式来发现土地的变化。

在基准测试中，它将误分类错误率降低了近 24%，每次嵌入所需的存储空间减少了 16 倍。有趣的是，这种新的人工智能模型不需要为每个应用重新训练。 

它效率高，可适应不同地区和挑战。这是因为 AlphaEarth 可以生成通用嵌入，即每个地点的紧凑、信息丰富的摘要，可直接用于多种类型的分析，而无需重建整个模型。

迄今为止，新的谷歌地球人工智能模型已被用于监测 100 多个国家的土地变化，包括热带森林、北极地区和不断扩大的城市。这些洞察力正被用于支持更智能的规划和更明智的气候决策。

‍

AlphaEarth 如何利用计算机视觉进行地球观测

虽然卫星图像可用于捕捉地球表面的细节，但将这些图像转化为有意义的洞察力并非总是那么简单。AlphaEarth Foundations 使用计算机视觉（人工智能的一个分支，使机器能够解释视觉信息）来检测和分析土地、植被和地形的模式。

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 可从卫星图像中识别土地类型，如森林、耕地、湿地和城市地区。这些分类有助于气候监测、生态研究和土地使用规划。
  
  
• 细分: 也称为专题制图，分割法将卫星图像中的每个像素标记为作物类型或植被覆盖等类别。AlphaEarth 利用其年嵌入技术保持跨区域的高精确度，从而实现土地利用、土地覆被和生物多样性的精细制图。
  ‍
• 变化检测： 通过比较同一地点的年度嵌入，AlphaEarth 可以检测土地利用和土地覆盖的变化，如森林砍伐、野火影响或城市发展。它既可以使用监督方法（从有标签的示例中学习），也可以使用无监督方法（在没有标签的情况下寻找模式）。
  ‍
• 无监督聚类：无需使用任何标记数据，AlphaEarth 就能对卫星图像中显示出相似模式的区域进行分组。这有助于发现新地区或研究不足地区的植被变化或气候异常等趋势。在标记数据有限或缺失的情况下，它的作用尤为明显。

‍

谷歌新人工智能模型在现实世界中的应用

在更好地了解谷歌新地球观测技术的人工智能工作原理后，让我们来探索 AlphaEarth Foundations 在现实世界中的应用。

谷歌地球的人工智能计划，让美国城市更环保

美国各地的城市都在种植城市森林，以减少热量、吸收污染并促进公众健康。但是，准确定位哪些地方有树，哪些地方没有树，却很有难度。在密集的社区和狭窄的街道上，卫星图像或传统调查往往无法发现绿色植物。

然而，AlphaEarth 利用卫星、海拔高度和环境数据，绘制出精细的树木覆盖图。为了测试这种新的人工智能谷歌模型，研究人员使用了来自 iNaturalist 的 45,000 多条树木记录。 

他们重点研究了在美国各州（包括阿拉斯加和夏威夷）发现的 39 个常见树属（关系密切的物种群）。数据经过清理后分成训练集和测试集，每个属有 300 个样本用于训练，其余用于测试。 

该模型通过卫星、海拔和环境数据准确绘制出树木覆盖图，显示它可以填补传统调查留下的空白。这些见解可以帮助底特律、纽约和凤凰城等城市更好地决定在哪里植树、为社区降温并支持当地的生物多样性。

利用地球观测卫星进行更智能的作物测绘

加拿大的农作物清单在很大程度上依赖于田间观测，尤其是在没有农作物保险记录（为农业保险计划收集的关于农作物类型、地点和种植面积的官方报告）的地区。这些挡风玻璃调查通常在行驶的车辆上进行，用于跟踪谷物、油籽、水果和牧草等主要作物。 

但由于某些作物类型的记录频率高于其他类型，因此数据可能不均衡，难以转换成可靠的大比例尺地图。为了解决这些问题，AlphaEarth 可以根据地球观测卫星的数据，支持高层次和细粒度的作物分类。 

它可以将作物分为谷物或油籽等大类。在有详细调查数据的地区，它还能确定春小麦、玉米或苜蓿等具体类型。这种两级方法兼顾了覆盖面和细节，能更清晰地反映加拿大各地的种植情况。

‍

利用谷歌地球技术的人工智能探索全球地形

南极洲是地球上最难绘制地图的地方之一，气候极端恶劣，常年积雪，卫星能见度有限。因此，我们对南极洲的冰川、裸露岩石以及地貌如何随时间变化的了解还存在差距。

通过将卫星图像与雷达和高程数据相结合，AlphaEarth 每年都能绘制出一致的南极洲地图，即使是在能见度有限的地区。它可以填补缺失的细节，生成 10 米分辨率的地形图，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。 

新人工智能模式的利弊：阿尔法地球

以下是新的人工智能模型 AlphaEarth Foundations 为地球观测和城市规划应用提供的一些主要优势：

• 多功能性：
  ‍
• 填补数据空白：
  ‍
• 人工智能就绪输出：它生成的嵌入信息可直接输入作物监测器、洪水探测器或土地利用分类器等工具，为研究人员和开发人员节省时间。

虽然 AlphaEarth 可为各个领域提供可靠的支持，但仍有一些限制需要注意：

• 非实时：
  ‍
• 取决于输入数据的质量：
  ‍
• 可解释性有限：与大多数深度学习模型一样，很难准确解释 AlphaEarth 是如何得出某些模式或预测结果的。

主要收获

阿尔法地球基金会（AlphaEarth Foundation）正在帮助研究人员、规划人员和决策者以全新的方式观察地球。谷歌的新人工智能模型可以将原始卫星输入信息转化为结构化的可靠信息，从而为气候科学、农业和城市发展等领域做出更好的决策提供支持。通过推进地球观测，谷歌正在使人们更容易监测和了解地球随时间发生的变化。

加入我们的社区，在我们的GitHub 存储库中探索人工智能创新。通过我们的解决方案页面了解农业中的人工智能和医疗保健中的计算机视觉。查看 我们的许可计划，立即开始使用人工智能！