每天，卫星都会捕捉信息丰富的图像和测量数据，为科学家和专家提供近乎实时的地球视图。虽然这些数据已经产生了巨大影响，但其复杂性、多模态特征和刷新频率也带来了新的挑战：如何连接分散的数据集，并有效利用它们。

今天，我们推出 AlphaEarth Foundations，这是一种人工智能（AI）模型，其功能类似于一颗虚拟卫星。它通过将海量地球观测数据整合为统一的数字表示，即“嵌入（embedding）”，使计算机系统能够轻松处理，从而准确且高效地刻画地球上全部陆地和近海水域。这使该模型能够为科学家提供关于地球演变更完整、更一致的图景，帮助他们在粮食安全、森林砍伐、城市扩张和水资源等关键问题上作出更充分的信息判断。

为加速研究并释放应用场景，我们现在正在 Google Earth Engine 中以 Satellite Embedding 数据集的形式发布一组 AlphaEarth Foundations 年度嵌入。在过去一年里，我们与 50 多家组织合作，在其真实世界应用中测试该数据集。

我们的合作伙伴已经看到了显著收益，他们利用这些数据更好地分类尚未测绘的生态系统，理解农业和环境变化，并大幅提高制图工作的准确性和速度。在这篇博客中，我们很高兴重点介绍他们的一些反馈，并展示这项新技术的实际影响。

AlphaEarth Foundations 的工作原理

AlphaEarth Foundations 通过解决两大挑战——数据过载和信息不一致——为理解我们的地球提供了强大的新视角。

首先，它整合来自数十个不同公共来源的大量信息，包括光学卫星图像、雷达、3D 激光测绘、气候模拟等。它将所有这些信息编织在一起，以清晰的 10×10 米方格分析全球陆地和近海水域，使其能够以显著精度追踪随时间发生的变化。

其次，它使这些数据具有实际可用性。该系统的关键创新在于能够为每个方格创建高度紧凑的摘要。与我们测试的其他 AI 系统生成的摘要相比，这些摘要所需存储空间少 16 倍，并显著降低了行星尺度分析的成本。

这一突破让科学家能够做到此前不可能做到的事：按需创建我们世界的详细、一致地图。无论是监测作物健康状况、追踪森林砍伐，还是观察新建筑，他们都不再需要依赖单颗卫星从上空经过。现在，他们拥有了一种新的地理空间数据基础。

为确保 AlphaEarth Foundations 能够用于真实世界场景，我们对其性能进行了严格测试。与传统方法和其他 AI 制图系统相比，AlphaEarth Foundations 始终最为准确。它在不同时段的广泛任务中表现出色，包括识别土地利用和估计地表属性。关键的是，它在标签数据稀缺的场景中也实现了这一点。平均而言，AlphaEarth Foundations 的错误率比我们测试的模型低 24%，显示出更优的学习效率。更多信息请参阅我们的论文。

使用 Satellite Embedding 数据集生成自定义地图

由 AlphaEarth Foundations 提供支持的 Google Earth Engine 中的 Satellite Embedding 数据集，是同类数据集中规模最大的之一，每年包含超过 1.4 万亿个嵌入足迹。这组年度嵌入已被世界各地的组织使用，包括联合国粮食及农业组织、Harvard Forest、Group on Earth Observations、MapBiomas、Oregon State University、Spatial Informatics Group 和 Stanford University，用于创建强大的自定义地图，推动真实世界洞察。

例如，Global Ecosystems Atlas 是一项旨在创建首个用于绘制和监测全球生态系统的综合资源的倡议，正使用该数据集帮助各国将尚未测绘的生态系统分类为海岸灌丛和极端干旱沙漠等类别。这一首创资源将在帮助各国更好地确定保护区域优先级、优化恢复工作并应对生物多样性丧失方面发挥关键作用。

在巴西，MapBiomas 正在测试该数据集，以更深入地理解全国范围内的农业和环境变化。这类地图可为亚马孙雨林等关键生态系统中的保护策略和可持续发展倡议提供信息。

正如 MapBiomas 创始人 Tasso Azevedo 所说：“Satellite Embedding 数据集可以改变我们团队的工作方式——我们现在有了新的选择，可以制作更准确、更精细且生成速度更快的地图——这是我们以前从未能够做到的。”

在 Google Earth Engine 博客中阅读更多关于 Satellite Embedding 数据集的信息并查看教程。

用 AI 赋能他人

AlphaEarth Foundations 代表着理解我们不断变化的地球状态与动态方面的一项重大进展。我们目前正在使用 AlphaEarth Foundations 生成年度嵌入，并相信未来若与 Gemini 等通用推理 LLM 智能体结合，它们可能会更加有用。作为 Google Earth AI 的一部分，我们将继续探索应用模型基于时间能力的最佳方式；Google Earth AI 是我们的一组地理空间模型和数据集，旨在帮助应对地球最关键的需求。

了解更多关于 AlphaEarth Foundations 的信息

致谢

这项工作由 Google DeepMind 和 Google Earth Engine 的团队合作完成。

正文：Christopher Brown、Michal Kazmierski、Valerie Pasquarella、William Rucklidge、Masha Samsikova、Olivia Wiles、Chenhui Zhang、Estefania Lahera、Evan Shelhamer、Simon Ilyushchenko、Noel Gorelick、Lihui Lydia Zhang、Sophia Alj、Emily Schechter、Sean Askay、Oliver Guinan、Rebecca Moore、Alexis Boukouvalas、Pushmeet Kohli