DeepMind AlphaEarth Foundations 虚拟卫星AI模型发布,革新全球环境监控方式
发布时间:2025-08-01 12:19:13 | 责任编辑:吴昊 | 浏览量:17 次
谷歌 DeepMind 近日推出了名为 AlphaEarth Foundations 的人工智能系统,该系统旨在将海量的卫星数据转化为统一的数字表示,以提高环境分析的准确性,支持食物安全、森林砍伐和水资源等问题的决策。AlphaEarth Foundations 可以被视作一种 “虚拟卫星”,它以每10x10米的分辨率对地球的所有陆地和沿海水域进行描绘。
这一模型整合了多种数据来源,包括光学卫星图像、雷达、3D 激光测绘和气候模拟。通过将这些输入数据压缩为64维嵌入(embedding),DeepMind 实现了数据的高效表示。其训练过程中,AlphaEarth Foundations 使用了来自全球超过500万个地点的超过30亿条观测数据,数据来源涵盖了 Sentinel-2和 Landsat 等卫星任务,还结合了维基百科文章和物种观察等文本信息。
该系统的目标是解决数据过载和信息不一致的两个核心挑战。AlphaEarth Foundations 能够穿透持续的云层,绘制南极洲的复杂地表,并揭示加拿大小麦种植中的微小变化,这些细节是人眼所无法捕捉到的。在与传统方法及其他 AI 绘图系统的对比测试中,AlphaEarth Foundations 的错误率平均低了24%。该模型在土地利用分类、生物物理变量估算和变化检测等15个评估数据集上表现优异。
AlphaEarth Foundations 还能够在处理数据稀缺的情况下进行有效工作,其持续的时间分析功能使得系统可以对不完全对齐的时间段进行精确预测。该模型的 “时空精度”(STP)架构将来自同一地点的不同时期的卫星图像视作视频中的帧,这样的处理方式使系统能够学习空间、时间和测量之间的关系,从而生成捕捉局部环境和时间轨迹的嵌入表示。
目前,已有50多家组织在现实应用中测试这一系统。全球生态系统地图(Global Ecosystems Atlas)利用该数据将以前未映射的生态系统分类,包括沿海灌丛和超干旱沙漠等。巴西的 MapBiomas 则借助这些数据深入分析农业和环境变化,尤其是亚马逊雨林等关键生态系统。
此外,谷歌还将在 Google Earth Engine 上发布名为卫星嵌入数据集(Satellite Embedding Dataset)的年度嵌入数据。根据 Google Earth Engine 的数据,该数据集每年生成超过1.4万亿个嵌入足迹,为识别全球相似环境条件、变化检测、自动聚类和更智能的分类提供了多种应用场景。
为了加速科学研究,谷歌还提供最高5000美元的研究资助,以支持基于卫星嵌入的应用案例研究。DeepMind 的开发团队认为,AlphaEarth Foundations 是理解我们不断变化的星球状态和动态的重要一步,并期待将其与通用推理大型语言模型(LLM)结合,创造出更强大的应用。
划重点:
🌍 AlphaEarth Foundations 是谷歌 DeepMind 推出的虚拟卫星 AI 系统,能够以10x10米分辨率描绘地球的所有陆地和沿海水域。
📊 该系统整合多种数据源,通过64维嵌入高效表示,提升环境监测的准确性,平均错误率降低24%。
💡 谷歌将发布卫星嵌入数据集,支持全球研究,并提供研究资助以促进科学应用。
谷歌 DeepMind 于 2025 年 7 月 31 日推出名为 AlphaEarth Foundations(AEF)的 AI 模型,被誉为 “虚拟卫星”,通过整合光学卫星图像、雷达、3D 激光测绘和气候模拟等多源 PB 级地球观测数据,以 10 米 ×10 米精度对全球陆地和沿海水域进行统一数字表示,解决了数据过载和信息不一致难题。该模型将每个 10 米方格的特征压缩为 64 维嵌入(embedding),显著降低了存储需求(仅为同类 AI 系统的 1/16),同时将错误率降低约 23.9%,支持土地利用分类、生物物理变量估算和变化检测等任务,即便在数据稀缺场景下也能高效工作。
AlphaEarth Foundations 已应用于全球生态系统分类(如未映射的沿海灌丛和超干旱沙漠)、巴西 MapBiomas 的农业与环境变化分析(如亚马逊雨林监测)等,其生成的卫星嵌入数据集(Satellite Embedding Dataset)已上架 Google Earth Engine,供 50 多家组织(如联合国粮农组织、哈佛森林)使用。谷歌还计划将 AEF 与通用推理大型语言模型(LLM)结合,构建更强大的地理智能平台,赋能全球科研、城市规划与生态治理。
本网站(https://aigc.izzi.cn)刊载的所有内容,包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏,以及其他非商业性或非盈利性用途,但同时应遵守著作权法及其他相关法律的规定,不得侵犯本网站及相关权利人的合法权利。除此以外,将本网站任何内容或服务用于其他用途时,须征得本网站及相关权利人的书面许可,并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容,请及时通知本站,予以删除。