AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data

AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data

https://arxiv.org/abs/2507.22291

https://developers.google.com/earth-engine/datasets/catalog/GOOGLE_SATELLITE_EMBEDDING_V1_ANNUAL

https://doi.org/10.5281/zenodo.16585402

https://doi.org/10.5281/zenodo.16585910

https://deepmind.google/discover/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/

https://arxiviq.substack.com/p/alphaearth-foundations-an-embedding

AlphaEarth Foundations (AEF) — геопространственная foundation-модель, которая создаёт универсальное, непрерывное во времени «поле эмбеддингов» для всей планеты

AEF ассимилирует петабайты данных из разнообразных источников — включая оптические, радарные (SAR), LiDAR, климатические данные и текст с геометками — в единое, компактное (64 байта) и высокоразрешающее (10 м) представление

Модель построена на новом энкодере Space Time Precision (STP) и обучена с помощью многокритериальной функции потерь

Эта функция включает в себя лосс реконструкции, цель согласованности (consistency) в рамках подхода «учитель-ученик» для устойчивости к разреженности данных, цель однородности батча для максимального использования пространства эмбеддингов и лосс в стиле CLIP для сопоставления с семантикой текста

AEF знаменует сдвиг парадигмы в Ml для наблюдения за Землёй

Это первая не зависящая от задачи (task-agnostic) модель, которая стабильно превосходит все протестированные бейзлайны — как созданные вручную, так и обучаемые — в широком спектре задач картирования без какого-либо дообучения, снижая ошибку в среднем на ~24 %

Эффективно преобразуя разреженные метки в детализированные глобальные карты, модель решает двойную проблему нехватки данных и их огромного объёма

Публичный релиз ежегодных полей эмбеддингов за 2017–2024 годы демократизирует доступ к высокопроизводительному геопространственному анализу, позволяя специалистам создавать передовые системы мониторинга для продовольственной безопасности, охраны природы и реагирования на стихийные бедствия с беспрецедентной эффективностью

Десятилетиями область наблюдения за Землёй (Earth Observation, EO) сталкивалась с фундаментальным парадоксом: беспрецедентный поток спутниковых и экологических данных, и при этом постоянный дефицит высококачественных истинных меток (ground-truth)

Это привело к появлению множества кастомных моделей, каждая из которых была адаптирована под конкретную задачу, сенсор или регион

Хотя недавние достижения в области выучиваемых представлений признаков (featurizations) показали себя многообещающе, ни один подход не смог стабильно превзойти другие в широком спектре геопространственных задач

Новая статья от Google DeepMind, «AlphaEarth Foundations», представляет модель, которая знаменует собой значительный сдвиг в этой парадигме — переход от разрозненных решений к единому, фундаментальному подходу к пониманию нашей планеты