Google AlphaEarth 使用观测数据进行全球制图

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，旨在让全球地球观测数据的处理更快、更清晰、更可靠。

AlphaEarth Foundations 使用来自卫星影像、雷达、激光探测与测距（LiDAR）、高程模型和气候模拟的数十亿个数据点进行训练。借助这些丰富的输入数据，它能够生成覆盖全球、分辨率为 10 米的年度地球视图。

简单来说，这意味着它能够生成清晰、一致的地球表面地图，即使是在难以观测的区域也是如此，从而更容易发现和追踪陆地、水域及气候随时间的变化。这些快照现已通过 Google 的地理空间数据云平台 Google Earth Engine 提供。

在本文中，我们将了解 AlphaEarth Foundations 如何利用 AI for Google Earth Engine 支持现实世界中的地球观测项目。

AlphaEarth：Google 用于地球观测的新 AI 模型#

AlphaEarth Foundations 通过持续且动态的系统，为理解我们的星球提供了一种新方式。这个新 AI 模型并不是分别查看每张图像，而是构建出一幅跨越空间和时间的统一、结构化地球表面图景。

为了创建这一视图，它综合了多种来源的数据，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，并分析变化背后的原因。

具体来说，AlphaEarth 能够展示地球景观多年来的变化。这些快照使用嵌入生成，嵌入是对模型所学习的每个位置信息的紧凑总结。

图 1。Google 的 AI 模型使用数值嵌入绘制地球表面。（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。它们已经应用于野火应对、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洞见。

AI 与气候：AlphaEarth 的重要意义#

AlphaEarth Foundations 的一项重要优势是让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野的复杂区域，它也能良好运行。例如，在云层覆盖始终是难题的亚马孙雨林，AlphaEarth 仍能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%，并且每个嵌入所需的存储空间减少了 16 倍。有趣的是，这个新 AI 模型无需针对每个应用重新训练。

它能够适应不同地区和各种挑战，并高效运行。这是因为 AlphaEarth 会生成通用嵌入，也就是对每个位置的紧凑且信息丰富的总结，无需重建整个模型，就能直接用于多种分析。

目前，这个新的 Google Earth AI 模型已用于监测 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。这些洞见正被用于支持更明智的规划和更充分的信息化气候决策。

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洞见并不总是简单。AlphaEarth Foundations 使用计算机视觉，这是一种让机器能够理解视觉信息的 AI 分支，用于检测和分析陆地、植被与地形中的模式。

下面介绍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。这些分类结果可支持气候监测、生态研究和土地利用规划。
• 分割：分割也称为专题制图，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。AlphaEarth 使用年度嵌入，在不同地区保持较高的准确率，从而实现对土地利用、土地覆盖和生物多样性的精细制图。
• **变化检测：**通过比较同一位置的年度嵌入，AlphaEarth 能够检测土地利用和土地覆盖的变化，例如毁林、野火影响或城市扩张。它既支持监督方法（从带标签的示例中学习），也支持无监督方法（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 就能将卫星图像中呈现相似模式的区域分组。这有助于在新的或研究不足的区域检测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，这一能力尤其有价值。

图 3。了解如何使用 AI 和 Google 的最新创新 AlphaEarth 来分析 2023 年的地球环境。（来源）

Google 新 AI 模型的现实应用#

在了解 AI for Google 的新地球观测技术如何运行后，让我们来探索 AlphaEarth Foundations 的现实应用。

Google Earth 为打造更绿色的美国城市推出的 AI 计划#

在美国各地，城市正在扩大城市森林，以减少热量、吸收污染并促进公共健康。但要准确确定树木分布在哪里、哪些地方没有树木，可能颇具挑战。在人口密集的社区和狭窄的街道中，卫星图像或传统调查往往无法发现绿化。

然而，AlphaEarth 利用卫星、高程和环境数据，以精细的细节绘制树木覆盖范围。为了测试这一 Google 新 AI 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 39 个常见树属（亲缘关系密切的物种群），这些树属分布于美国所有州，包括阿拉斯加和夏威夷。数据经过清理后被划分为训练集和测试集，每个树属使用 300 个样本进行训练，其余样本用于测试。

该模型根据卫星、高程和环境数据准确绘制了树木覆盖范围，表明它能够弥补传统调查留下的数据空白。这些洞见可以帮助底特律、纽约和菲尼克斯等城市更好地决定在哪里种植树木、降低社区温度，并支持本地生物多样性。

由地球观测卫星支持的更智能作物制图#

加拿大的作物清查高度依赖田间级观测，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、位置和种植面积官方报告）。这些通常从行驶中的车辆上进行的目视调查，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，这些数据可能不均衡，也难以转换为可靠的大范围地图。为解决这些问题，AlphaEarth 可以根据地球观测卫星数据，同时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大类。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。这种两级方法兼顾了覆盖范围和细节，能够更清晰地呈现加拿大各地正在种植的作物。

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

使用 Google Earth 技术的 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、常年被积雪覆盖，卫星可见度也十分有限。这使我们难以了解其冰川、裸露岩石，以及地形随时间发生的变化。

通过将卫星图像与雷达和高程数据相结合，AlphaEarth 能够生成一致的南极洲年度地图，即使是在可见度有限的区域也不例外。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#

以下是新 AI 模型 AlphaEarth Foundations 为地球观测和城市规划应用带来的一些主要优势：

• **多功能性：**AlphaEarth 可用于农业、城市规划和灾害应对等多个领域，无需分别构建不同模型。
• **填补数据空白：**即使卫星输入数据不完整，这一 Google 新 AI 模型也能生成年度总结，有助于保持时间序列分析的连续性。
• **适用于 AI 的输出：**它生成的嵌入可以直接输入作物监测器、洪水检测器或土地利用分类器等工具，为研究人员和开发者节省时间。

虽然 AlphaEarth 能够在多个领域提供可靠支持，但仍有一些局限需要注意：

• **非实时：**AlphaEarth 的年度嵌入不适用于需要每日或近实时监测的应用。
• **依赖输入质量：**虽然它能够填补数据空白，但模型仍然依赖卫星、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，很难准确解释 AlphaEarth 如何得出某些模式或预测结果。

要点总结#

AlphaEarth Foundation 正在帮助研究人员、规划人员和政策制定者以全新的方式观察地球。Google 的新 AI 模型可以将原始卫星输入转化为结构化、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支持。通过推进地球观测，它让我们更容易监测和理解地球随时间发生的变化。

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中的 AI和医疗保健中的计算机视觉。查看我们的许可方案，立即开始使用 AI！