Google AlphaEarth 使用观测数据进行全球测绘

AlphaEarth Foundations 于 2025 年 7 月 30 日推出，是由 Google DeepMind 开发的一种地理空间基础模型。它是近期 Google AI 新闻中的亮点之一，旨在让全球地球观测数据的处理变得更快、更清晰且更可靠。

AlphaEarth Foundations 基于数十亿个来自卫星影像、雷达、LiDAR（光探测和测距）、高程模型和气候模拟的数据点进行训练。通过利用这些广泛的输入，它能够创建出全球范围内年度、10 米分辨率的视图。

简而言之，这意味着它即使在难以观测的区域也能生成清晰、一致的地球表面地图，从而更容易发现和追踪土地、水域以及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。

在本文中，我们将探讨 AlphaEarth Foundations 如何利用 AI 为 Google Earth Engine 提供支持，从而助力现实世界的地球观测项目。

Link to this sectionAlphaEarth：Google 用于地球观测的全新 AI 模型#

AlphaEarth Foundations 提供了一种通过连续且动态的系统来理解我们地球的新方法。该 AI 模型不再孤立地查看每张图像，而是构建了一个跨越空间和时间的地球表面统一结构化视图。

为了创建这种视图，它汲取了广泛的来源，包括卫星图像、高程地图、气候模型以及生物多样性报告。这有助于它识别环境中的变化并分析其背后的原因。

特别是，AlphaEarth 可以展示地球景观多年来的变化过程。这些快照是利用嵌入（embeddings）构建的，它们是模型针对每个位置所学知识的紧凑摘要。

图 1. Google 的 AI 模型使用数值嵌入来绘制地球表面。(来源)

这些嵌入的集合可通过 Google Earth Engine 的卫星嵌入数据集获取。它们已被应用于野火响应、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。

Link to this sectionAI 与气候：AlphaEarth 的意义#

AlphaEarth Foundations 的一个主要优势在于它使研究地球的长期变化变得更容易。即使在数据缺失或云层常阻挡卫星视野的棘手区域，它也能良好运作。例如，在云层覆盖是一个长期问题的亚马逊雨林，AlphaEarth 依然可以通过学习世界各地的模式来识别土地变化。

在基准测试中，它将错误分类率降低了近 24%，且每个嵌入所需的存储空间减少了 16 倍。有趣的是，这个新的 AI 模型无需为每个应用重新训练。

它在不同地区和挑战中表现出高效且适应性强的特点。这是因为 AlphaEarth 生成的是通用嵌入——即每个位置紧凑且信息丰富的摘要，它们可以直接用于多种类型的分析，而无需重新构建整个模型。

到目前为止，这个新的 Google Earth AI 模型已被用于监测超过 100 个国家的土地变化，包括热带森林、北极地区和扩张中的城市。这些见解正被用于支持更明智的规划和更科学的气候决策。

图 2. 利用 Google 的新 AI 模型可视化全球模式。(来源)

Link to this sectionAlphaEarth 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获地球表面的详细视图，但将这些图像转化为有意义的见解并非总是那么简单。AlphaEarth Foundations 使用计算机视觉（AI 的一个分支，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 从卫星影像中识别森林、农田、湿地和城市区域等土地类型。这些分类为气候监测、生态研究和土地利用规划提供支持。
• 分割：也称为专题制图，分割将卫星图像中的每个像素标注为农作物类型或植被覆盖等类别。AlphaEarth 利用其年度嵌入在各个区域保持高精度，从而实现针对土地利用、土地覆盖和生物多样性的细粒度测绘。
• **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，例如森林砍伐、野火影响或城市扩张。它同时支持监督学习方法（从带标签的示例中学习）和无监督学习方法（在没有标签的情况下寻找模式）。
• **无监督聚类：**在不使用任何带标签数据的情况下，AlphaEarth 可以将卫星图像中显示相似模式的区域进行分组。这有助于检测新区域或未充分研究区域中的植被变化或气候异常等趋势。在带标签数据有限或缺失时，这一点尤为有效。

图 3. 使用 AI 助力 Google 的最新创新 AlphaEarth 来了解 2023 年的地球环境。(来源)

Link to this sectionGoogle 新 AI 模型的实际应用#

在更好地了解了 Google 用于地球观测的 AI 新技术后，让我们探索一下 AlphaEarth Foundations 的实际应用。

Link to this sectionGoogle Earth 助力美国绿色城市的 AI 计划#

在美国各地，城市正通过增加城市森林来减少热岛效应、吸收污染并促进公众健康。但要精确查明树木所在位置以及缺失位置可能具有挑战性。在茂密的社区和狭窄的街道中，绿地往往在卫星图像或传统调查中无法被探测到。

然而，AlphaEarth 利用卫星、高程和环境数据来以精细的细节映射树木覆盖情况。为了测试这个新的 AI Google 模型，研究人员使用了来自 iNaturalist 的超过 45,000 条树木记录。

他们专注于美国所有州（包括阿拉斯加和夏威夷）常见的 39 个树木属（密切相关的物种群体）。数据经过清理并拆分为训练集和测试集，每个属使用 300 个样本进行训练，其余用于测试。

该模型准确地从卫星、高程和环境数据中映射了树木覆盖情况，表明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在植树地点、社区降温和支持当地生物多样性方面做出更好的决策。

Link to this section由地球观测卫星驱动的更智能农作物测绘#

加拿大的农作物清单非常依赖田间层面的观测，特别是在没有农作物保险记录（为农业保险计划收集的官方农作物类型、位置和种植面积报告）的地区。这些通常从行驶的车辆上进行的目视调查，用于追踪谷物、油籽、水果和饲草等主要作物。

但由于某些作物类型的记录频率高于其他作物，数据可能不均衡，且难以转化为可靠的大规模地图。为了解决这些问题，AlphaEarth 可以支持基于地球观测卫星数据的高层级和细粒度作物分类。

它可以将作物归为谷物或油籽等宽泛类别。在有详细调查数据的地区，它还可以识别春小麦、玉米或苜蓿等具体类型。这种双层方法在覆盖范围与细节之间取得了平衡，提供了关于加拿大各地种植情况的更清晰图景。

图 4. Google AlphaEarth 助力加拿大作物分类。(来源)

Link to this section利用 AI 助力 Google Earth 技术探索全球地形#

南极洲是地球上最难测绘的地方之一，这里极端天气频发、积雪覆盖，且卫星可见度有限。这使得我们在了解其冰川、裸露岩石以及景观随时间变化方面存在空白。

通过将卫星图像与雷达和高程数据相结合，AlphaEarth 可以生成一致的南极洲年度地图，即使在可见度有限的地区也是如此。它能够填补缺失的细节，并生成 10 米分辨率的地形图，帮助研究人员更准确地追踪冰川、表面纹理和积雪覆盖的土地。

Link to this section新 AI 模型 AlphaEarth 的优缺点#

以下是新的 AI 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： AlphaEarth 可用于农业、城市规划和灾害响应等多个领域，而无需单独的模型。
• 填补数据空白： 即使卫星输入不完整，这个新的 AI Google 模型也能生成年度摘要，有助于保持时间序列分析的连续性。
• AI 就绪的输出： 它生成的嵌入可以直接输入到作物监测器、洪水探测器或土地利用分类器等工具中，为研究人员和开发人员节省了时间。

虽然 AlphaEarth 在各个领域都提供了可靠的支持，但以下几点局限性值得注意：

• 非实时： AlphaEarth 的年度嵌入不适用于需要每日或近乎实时监测的应用。
• 依赖输入质量： 虽然它可以填补空白，但该模型仍然依赖于卫星、雷达和其他输入数据源的质量和可用性。
• 可解释性有限： 与大多数深度学习模型一样，很难确切解释 AlphaEarth 如何得出某些模式或预测。

Link to this section关键要点#

AlphaEarth Foundations 正在帮助研究人员、规划人员和决策者以新的方式观察地球。Google 的新 AI 模型可以将原始的卫星输入转化为结构化、可靠的信息，从而在气候科学、农业和城市发展等领域支持更好的决策。通过推进地球观测，它让监测和理解我们地球随时间的变化变得更加容易。

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农业中的 AI 和医疗健康中的计算机视觉。查看我们的许可计划并立即开始 AI 之旅！