Инженеры Google DeepMind представили модель искусственного интеллекта AlphaEarth Foundations , способную создавать цифровую модель поверхности Земли с детальностью 10×10 метров — не для визуального отображения, а для автоматической интерпретации. Вместо картинок программа формирует так называемые эмбеддинги — числовые векторы, которые кодируют свойства каждой точки планеты и позволяют использовать их в анализе без ручной разметки.
Обучение AlphaEarth происходило на огромных массивах данных дистанционного зондирования, включая спутниковые снимки и другие виды наблюдений. На выходе система формирует многомерные векторы, отражающие характеристики суши и прибрежных зон с учётом климата, времени года и особенностей рельефа. Это не изображения в привычном смысле, а структурированные представления, предназначенные для обработки другими ИИ-моделями и аналитическими инструментами.
Каждый такой эмбеддинг охватывает квадрат площадью 100 м² и содержит 64 числовых параметра, описывающих данный участок. Эти признаки агрегируются из разнородных источников и представляют собой обобщённую характеристику местности за год. Такой формат позволяет отслеживать динамику изменений, классифицировать территории по признаку схожести и выявлять закономерности — без ручного вмешательства.
Одной из основных областей применения AlphaEarth станет Google Earth Engine — платформа для анализа геоданных, используемая при мониторинге экологии, сельскохозяйственном планировании, лесном учёте и управлении водными ресурсами. Система уже показала потенциал в задачах оценки последствий вырубки, анализа засух и расчёта потребления воды центрами обработки данных, обеспечивающими работу крупных ИИ-инфраструктур. Благодаря векторному представлению можно находить схожие участки, строить тематические карты и отслеживать изменения без ручной классификации.
Разработчики подчёркивают, что по сравнению с предшествующими моделями — SatMAE (2022) и SatCLIP (2025) — AlphaEarth обеспечивает заметно лучшую точность и производительность. Этого удалось достичь за счёт нескольких архитектурных решений: объединения данных из разных источников в единую схему, учёта сезонных факторов и высокого пространственного разрешения. Согласно тестам, модель требует в 16 раз меньше памяти и при этом демонстрирует на 24% меньшую погрешность.
Вместе с запуском AlphaEarth компания представила открытый датасет Satellite Embedding Dataset — структурированную базу эмбеддингов, полученных моделью. Она доступна исследователям, разработчикам и научным коллективам, которые смогут использовать эти векторы в собственных аналитических системах. Особенно полезным это окажется там, где требуется свести информацию из разных источников к единой структуре — например, при построении климатических моделей, агроанализе или прогнозировании рисков.
Профессор геоинформатики и ландшафтной архитектуры Университета штата Айова Кристофер Сигер в беседе с журналистами отметил, что объединение разрозненных источников в единое аналитическое пространство — крайне ресурсоёмкая задача. AlphaEarth, по его словам, упрощает эту работу и позволяет охватывать большие территории, а не ограничиваться отдельными точками.
Наибольшее впечатление на публику произвело пространственное разрешение: разбиение поверхности Земли на ячейки даёт возможность анализировать данные не только глобально, но и на уровне отдельных регионов. Сигер также подчеркнул важность верификации: проверка точности модели на основе полевых измерений позволяет избежать ошибок, которые часто возникают при работе только с симуляциями.