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 开发的地理空间基础模型。它是近期 Google AI 新闻中的亮点之一，旨在使全球地球观测数据的处理更加快速、清晰和可靠。

AlphaEarth Foundations 基于来自卫星图像、雷达、LiDAR（激光雷达）、高程模型和气候模拟的数十亿个数据点进行训练。利用这些广泛的输入，它可以创建地球的年度 10 米分辨率视图。 

简单来说，这意味着它可以生成清晰、一致的地球表面地图，即使在难以看到的区域也是如此，因此陆地、水和气候的变化更容易被发现和长期跟踪。这些快照现在可以通过 Google Earth Engine（Google 的地理空间数据云平台）获得。

在本文中，我们将了解 AlphaEarth Foundations 如何使用 AI for Google Earth Engine 来支持真实的地球观测项目。 

AlphaEarth：Google 用于地球观测的新型 AI 模型

AlphaEarth Foundations 通过一个连续且动态的系统，提供了一种理解我们星球的新方式。新的 AI 模型不是单独查看每个图像，而是构建了一个跨越空间和时间的地球表面的统一、结构化的图像。

为了创建此视图，它借鉴了广泛的来源，包括卫星图像、高程地图、气候模型和生物多样性报告。这有助于它发现环境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。这些快照是使用嵌入构建的，嵌入是模型对每个位置的学习内容的紧凑摘要。 

​

这些嵌入的集合可通过 Google Earth Engine 的卫星嵌入数据集获得。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：AlphaEarth 的意义

AlphaEarth Foundations 的一个主要优势是它可以更轻松地研究地球的长期变化。即使在数据缺失或云层经常阻挡卫星视图的棘手区域，它也能很好地工作。例如，在云层覆盖是一个持续问题的亚马逊雨林中，AlphaEarth 仍然可以通过学习世界各地的模式来发现土地变化。

在基准测试中，它将错误分类错误减少了近 24%，并且每个嵌入所需的存储空间减少了 16 倍。有趣的是，这种新的 AI 模型不需要为每个应用程序重新训练。 

它在不同的地区和挑战中都高效且适应性强。这是因为 AlphaEarth 产生通用嵌入，即每个位置的紧凑、信息丰富的摘要，可以直接用于多种类型的分析，而无需重建整个模型。

到目前为止，新的谷歌地球人工智能模型已被用于监测包括热带森林、北极地区和扩张城市在内的100多个国家/地区的土地变化。这些见解正被用于支持更智能的规划和更明智的气候决策。

​

AlphaEarth 如何使用计算机视觉进行地球观测

虽然卫星图像可以用来捕捉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（一种使机器能够解释视觉信息的人工智能分支）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 从卫星图像中识别土地类型，如森林、农田、湿地和城市地区。这些分类支持气候监测、生态研究和土地利用规划。
  
  
• 分割： 也称为专题地图绘制，分割用作物类型或植被覆盖等类别标记卫星图像中的每个像素。AlphaEarth 使用其年度嵌入来保持跨区域的高精度，从而实现对土地利用、土地覆盖和生物多样性的精细映射。
  ‍
• 变化检测：通过比较同一地点每年的嵌入，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。它适用于监督方法（从标记的示例中学习）和无监督方法（在没有标签的情况下查找模式）。
  ‍
• 无监督聚类： AlphaEarth 无需使用任何标记数据，即可对卫星图像中显示相似模式的区域进行分组。这有助于检测新的或研究不足的区域中的植被变化或气候异常等趋势。当标记数据有限或缺失时，这一点尤其重要。

​

谷歌新 AI 模型的实际应用

在更好地理解 Google 新的地球观测技术中的人工智能如何工作之后，让我们来探索 AlphaEarth Foundations 的实际应用。

Google Earth 针对美国城市绿化的 AI 倡议

在美国各地，城市都在发展城市森林，以减少热量、吸收污染并促进公共健康。但是，要准确地确定树木在哪里，以及它们不在哪里，可能具有挑战性。在人口稠密的社区和狭窄的街道上，卫星图像或传统调查通常无法检测到绿色植物。

然而，AlphaEarth 使用卫星、海拔和环境数据来精细地绘制树木覆盖图。为了测试这个新的 Google AI 模型，研究人员使用了来自 iNaturalist 的超过 45,000 条树木记录。 

他们专注于美国各州（包括阿拉斯加和夏威夷）的 39 个常见树木属（密切相关的物种群）。数据经过清理并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。 

该模型准确地绘制了来自卫星、海拔和环境数据的树木覆盖图，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更好地决定在哪里种植树木、冷却社区并支持当地生物多样性。

由地球观测卫星驱动的更智能的作物测绘

加拿大的作物库存很大程度上依赖于田间观测，尤其是在没有作物保险记录的地区（为农业保险计划收集的作物类型、地点和面积的官方报告）。这些通常从移动车辆上进行的目测调查，用于追踪主要的农作物，如谷物、油籽、水果和饲料。 

但由于某些作物类型的记录频率高于其他作物，因此数据可能不均匀且难以转换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级和细粒度作物分类。 

它可以将农作物分为几大类，如谷物或油籽。在有详细调查数据的地区，它还可以识别具体的类型，如春小麦、玉米或苜蓿。这种两级方法平衡了覆盖范围和细节，更清晰地展示了加拿大各地种植的作物。

​

利用人工智能探索全球地形，应用于 Google Earth 技术

南极洲是地球上最难绘制地图的地方之一，那里有极端的天气、持续的冰雪覆盖和有限的卫星可见度。这导致我们对其冰川、裸露的岩石以及景观如何随时间变化知之甚少。

通过将卫星图像与雷达和高程数据相结合，AlphaEarth 生成了南极洲一致的年度地图，即使在能见度有限的地区也是如此。它可以填补缺失的细节，并生成 10 米分辨率的地形图，帮助研究人员更准确地跟踪冰川、地表纹理和积雪覆盖的土地。 

新型 AI 模型 AlphaEarth 的优缺点

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： 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，这种新的 AI 谷歌模型也可以创建年度摘要，从而有助于保持时间序列分析的连续性。
  ‍
• 可用于人工智能的输出： 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，从而节省研究人员和开发人员的时间。

虽然 AlphaEarth 在各个领域提供可靠的支持，但以下是一些需要注意的限制：

• 非实时： AlphaEarth 的年度嵌入不适用于需要每日或近实时监控的应用程序。
  ‍
• 取决于输入质量： 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。
  ‍
• 有限的可解释性： 与大多数 深度学习 模型一样，很难准确解释 AlphaEarth 如何得出某些模式或预测。

主要要点

AlphaEarth Foundation 正在帮助研究人员、规划人员和政策制定者以新的方式观察地球。Google 的新型 AI 模型可以将原始卫星输入转化为结构化的、可靠的信息，从而为气候科学、农业和城市发展等领域的决策提供支持。通过推进地球观测技术，它可以更轻松地监测和了解地球随时间的变化。

加入我们的社区，并在我们的GitHub代码仓库中探索AI创新。通过我们的解决方案页面，了解农业领域中的AI和医疗保健领域的计算机视觉。查看我们的许可计划，立即开始使用AI！