我们推出一种分析地球的全新方法。Google 的卫星嵌入数据集利用 AI 的强大功能，将一年的多源卫星数据压缩到每一个 10 米像素中，从而实现更快、更强大的地理空间分析。欢迎来到 Earth Engine，体验深度学习的未来。

十五年前，我们启动了Earth Engine，旨在让更多人能够访问地球观测影像和地理空间数据。随着我们向Earth Engine 数据目录添加了数 PB 的公开数据，这一雄心勃勃的目标也带来了新的挑战：用户如何有效地利用不断增长的图像档案以及海量的数据输入和算法来解决全球最紧迫的环境问题？答案是：人工智能的力量！

今天，我们很高兴地推出与 Google DeepMind 合作打造的全新卫星嵌入数据集。这一史无前例的数据集基于 Google DeepMind 的全新地理空间 AI 模型AlphaEarth Foundations 生成，该模型整合了来自各种地理空间信息来源的观测数据，包括Sentinel-2和Landsat卫星的光学和热成像图像、可穿透云层的雷达数据、地表特性的 3D 测量数据、全球高程模型、气候信息、重力场以及描述性文本。与传统的深度学习模型不同，传统的深度学习模型需要用户在高端计算机集群上微调权重并自行运行推理，AlphaEarth Foundations旨在生成信息丰富的 64 维地理空间“嵌入”，适用于 Earth Engine 内置的机器学习分类器和其他基于像素的分析。

我们大规模运行 AlphaEarth Foundations，以生成一个全球数据集，其中包含自 2017 年以来每年 10 米分辨率的预计算、可立即分析的嵌入数据。虽然这看起来像任何标准的Earth Engine 图像集，但我们已有效地将 AI 驱动的特征提取功能融入每个像素，您可以使用这些嵌入“图像”来代替更传统的图像合成和工程特征，例如光谱指数和谐波拟合。最棒的是，嵌入层已准备好进行分析；无需大气校正、云掩模、光谱变换、斑点滤波或其他特征化技术——只需减少工作量和复杂性即可获得卓越的结果。最好的部分是嵌入层已准备好进行分析；无需大气校正、云层掩蔽、光谱变换、斑点滤波或其他特征化技术——只需减少工作量和复杂性即可获得卓越的结果。

地球引擎数据目录中的卫星嵌入数据集。

嵌入中嵌入了什么？

测量。AlphaEarth Foundations生成的地理空间嵌入是从 Earth Engine 数据目录和地理时间定位文本标签等不同数据源中学习而来的。该模型采用自监督方法，可以同时从多种类型的数据中学习，而无需手动注释的训练数据。通过吸收多个来源和描述模式的信息，包括Sentinel-1 C 波段 SAR、多光谱Sentinel-2以及来自Landsat 8和Landsat 9 的多光谱、全色和热观测、 GEDI 栅格冠层高度指标、GLO-30 DEM、ERA5-Land 再分析月度聚合、ALOS PALSAR-2 ScanSAR、GRACE 月度质量网格和多个文本来源，AlphaEarth Foundations 能够学习更紧凑的像素属性和语义表示。

从图像到嵌入：将视频序列转换为每 10 mx 10 m 像素的信息丰富的特征向量。

空间和时间背景。AlphaEarth Foundations 基于从全球超过 500 万个地点采样的超过 30 亿个独立图像帧进行训练。通过将特定地点随时间变化的卫星图像视为视频帧，该模型能够跨空间、时间和测量模式进行学习，从而生成能够捕捉空间背景并保留时间轨迹的嵌入。这意味着卫星嵌入数据集中的每个嵌入向量都为地球陆地表面每 10 米像素（100 平方米）的区域提供了高度紧凑但语义丰富的表面状况表示。每个 10 米像素的嵌入还捕获了该像素周围区域的信息，因此，单独来看非常相似的区域（例如停车场或高速公路的沥青路面）将具有截然不同的嵌入。就我们的收集而言GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL，嵌入总结了一整年的图像采集，这意味着它们包括季节性信号，如植被物候或季节性积雪，以及其他年内变化事件。

📄 在 AlphaEarth Foundations论文中阅读有关模型和评估的更多信息。

64 维地球：坐标与波段

卫星嵌入数据集中的图像有64 个波段，但它们与经典的光学反射或雷达回波不同。相反，我们 AlphaEarth Foundations 嵌入中单个像素的 64 个“波段”代表 64 维“球体”表面上的 64 维坐标。类似于我们需要纬度、经度和海拔来最准确地描述我们在地球表面的位置，我们需要 AlphaEarth Foundations 表示的所有 64 个轴来精确定义卫星嵌入坐标——虽然解释这些轴很诱人，但重要的是要记住，嵌入是通过深度学习模型学习而来的。虽然从数学上讲它们具有很强的解释性，但它们是更高维测量空间的表示，而不是测量本身。

卫星嵌入本质上是 64 维“球体”表面上的坐标

那么您可以用卫星嵌入数据集做什么呢？

为了给您带来启发，以下是一些令我们兴奋的事情：

• 相似性搜索：您可以在地球上的任何地方选择一个点 - 例如，在特定类型的农田或森林中 - 然后立即查找并绘制世界上任何地方具有相似表面和环境条件的所有其他位置。
• 变化检测：通过比较不同年份的同一像素的嵌入向量，您可以轻松发现变化并跟踪城市扩张、野火影响和恢复以及水库水位波动等过程。
• 自动聚类：无需任何预先存在的标签，您可以使用聚类算法自动将像素分组到不同的类别中。这种时空分割可以揭示景观中隐藏的模式，区分不同类型的森林、土壤或城市发展。
• 更智能的分类：您可以用更少的训练数据创建精准的地图。例如，与使用更传统的输入方式绘制作物类型地图相比，您可能只需要每个类别几百个标记点，从而节省时间和计算资源。

继续阅读以了解更多信息！

查找其他类似地点：相似性搜索

相似性搜索是一种简单的方法，可以比较不同位置的嵌入向量，并快速识别与感兴趣位置具有相似环境和表面条件的像素。例如，纽约市密集城市景观中一个 100 平方米（10 米 x 10 米）像素的嵌入向量，显示出与世界各地其他高度发达城市中心的高度相似性。

-73.9812, 40.7628（美国纽约市曼哈顿中城）的相似性搜索示例。（在交互式演示应用程序中查看）

想尝试你自己的示例吗？使用我们的Satellite Embedding 相似度搜索演示进行交互式探索，并在我们全新的“使用 Satellite Embeddings 进行相似度搜索”教程中，了解更多关于如何使用简单的点积计算来实现你自己的相似度搜索的信息。

检测变化：跟踪嵌入空间的变化

基于相似性的比较也适用于时间跨度，可用于嵌入驱动的变化检测和稳定性监测。AlphaEarth Foundations 的嵌入空间设计为时间一致性，因此相对稳定的位置在数据集中应该具有跨年份的相似嵌入向量，而给定位置嵌入向量的逐年变化则指示了地表特性、环境条件和/或其时间动态的变化。通过计算不同年份年度嵌入向量之间的角度，您可以监测长期稳定性和灾难性变化，并开始探索和理解这些变化的驱动因素。

下图展示了嵌入空间中 2020 年至 2024 年之间变化的一些示例，每行的最终图像显示了以下变化类型的每个像素与自身的相似性（值越亮表示差异越大）：

• 郊区扩张
• 火灾留下的痕迹与皆伐痕迹交织在一起，植被的丧失早于火灾发生
• 人工水库从干旱时期到水资源紧张程度降低的变化
• 不同年份之间田地的差异，展示了嵌入如何捕捉作物周期和休耕等年内动态。

使用卫星嵌入数据集进行逐年比较的示例。以美国加利福尼亚州中部为例，比较了 2020 年和 2024 年的嵌入层（来源：Earth Engine 代码编辑器脚本）

发现隐藏模式：自动聚类

如果您想探索嵌入空间中更复杂的分组和其他隐藏模式，ee.Clusterer算法是一个不错的起点，尤其是在您没有现有标签或测量数据的情况下。与三通道 RGB 可视化不同，聚类允许您同时使用嵌入空间的全部 64 个维度来可视化模式。

要使用 Earth Engine API 对卫星嵌入进行聚类，请选择一个感兴趣的区域并生成一定数量的随机样本。从卫星嵌入数据集中对任意年份的嵌入进行采样，并使用该随机样本训练一个kMeans聚类算法，该算法会改变聚类数量，然后将训练好的聚类应用到更大的感兴趣区域。查看生成的聚类 ID 地图，我们可以看到嵌入空间中出现了一些有趣的模式，包括地表类型和物候、地形和水文特征之间的差异。在我们的“卫星嵌入数据集简介”和“使用卫星嵌入进行无监督分类——作物类型制图”教程中，了解更多关于使用卫星嵌入数据集进行无监督分类的信息，包括基本的聚类可视化以及如何为聚类分配标签。

动画展示了卫星嵌入数据集从粗分割到精确分割的无监督聚类（来源：地球引擎代码编辑器脚本）

用更少的手动标记创建详细的地图

探索底层模式和手动标记集群是探索卫星嵌入数据集的一种途径，但嵌入实际上是为了有效插值现有的标签和测量值而设计的，即监督分类和回归问题。

如果您拥有标签数据集，则可以轻松使用 Earth Engine 对带标签位置的卫星嵌入向量进行采样，训练内置分类器ee.Classifier，并大规模应用训练好的分类器来生成地图图块。低噪声嵌入空间意味着您需要更少的标签即可获得高质量的结果。例如，卫星嵌入可用于代理2024 年美国农业部 NASS 农田数据层中的 87 个作物类型和土地覆盖类别，每个类别仅需 150 个样本。

使用卫星嵌入数据集（左）对 2024 年美国农业部农田数据层（右）中的子集（87 个类别）进行代理的分类示例，每个类别仅使用 150 个点进行训练。（来源：Earth Engine 代码编辑器脚本）

卫星嵌入的设计初衷是用于聚类和基于树的分类，例如kNN或随机森林，但您可以在任何现有的分类工作流程中用嵌入替代原始图像输入或其他工程特征，例如合成图像或聚合统计数据。卫星嵌入图像易于分析，具有无缝隙、墙到墙的覆盖范围，并以投影在其本地 UTM 区域中的图块形式托管，无需额外的预处理。因此，您无需花费时间和计算来处理数据，而是可以专注于最重要的部分：优质的训练数据和高质量的映射结果。

在我们的“使用卫星嵌入的监督分类 - 绘制红树林地图”和“使用卫星嵌入的回归 - 预测地上生物量 (AGB)”教程中，了解有关使用卫星嵌入数据集进行监督分类和回归的更多信息。

将人工智能引入地球引擎

Earth Engine 数据目录中卫星嵌入数据集的发布，标志着 Earth Engine 履行其使命的又一步：使地理空间数据更易于获取，更有助于理解我们不断变化的地球。通过将 AlphaEarth Foundations 的卫星嵌入以图像集的形式引入 Earth Engine，我们将以可直接分析的数据集的形式，将 AI 的强大功能与 Earth Engine API 及更广泛的生态系统直接集成。

我们迫不及待地想看看您如何在 Earth Engine 中运用这项全新的 AI 功能！查看Earth Engine 数据目录中的卫星嵌入数据集，立即开始使用。如果您还不是 Earth Engine 用户，请使用代码编辑器快速入门。

想要了解更多关于如何使用卫星嵌入数据集的信息，有任何疑问，或者有兴趣分享案例研究吗？请使用我们的反馈表与我们联系。

最后，我们很高兴地宣布，我们将向符合条件的研究人员提供一系列小额资助（最高 5,000 美元），以加速卫星嵌入用例的科学研究和发表。我们将在未来几个月内接受申请。

2024 年卫星嵌入数据集的三个轴在 Earth Engine 中以 RGB 图像形式可视化