Ein neues KI-System soll Petabytes an Satellitendaten in einheitliche digitale Repräsentationen verwandeln und die Genauigkeit von Umweltanalysen drastisch verbessern.
Google Deepmind hat AlphaEarth Foundations vorgestellt, ein KI-Modell, das als "virtueller Satellit" fungiert. Das System soll Wissenschaftler:innen helfen, fundiertere Entscheidungen zu kritischen Themen wie Ernährungssicherheit, Entwaldung und Wasserressourcen zu treffen.
Virtueller Satellit mit 10-Meter-Auflösung
AlphaEarth Foundations charakterisiert laut Deepmind die gesamten Landmassen und Küstengewässer der Erde mit einer Auflösung von 10x10 Metern. Das Modell integriert verschiedene Datenquellen wie optische Satellitenbilder, Radar, 3D-Laser-Mapping und Klimasimulationen in sogenannte Embeddings, kompakte 64-dimensionale Zusammenfassungen, die laut Deepmind besonders dateneffizient sind.
Das Training basierte auf über drei Milliarden Beobachtungen von mehr als fünf Millionen Standorten weltweit. AlphaEarth Foundations nutzt Daten verschiedener Satellitenmissionen wie Sentinel-2 und Landsat. Zusätzlich fließen Textquellen wie Wikipedia-Artikel und Artbeobachtungen ein.
Die Kerninnnovation liegt in der Lösung zweier Hauptprobleme: Datenüberflutung und inkonsistente Informationen. Das System kann durch eine persistente Wolkendecke hindurchsehen, komplexe Oberflächen in der Antarktis detailliert kartieren und Variationen in der kanadischen Landwirtschaft sichtbar machen, die für das menschliche Auge unsichtbar sind.
In Vergleichstests mit traditionellen Methoden und anderen KI-Kartierungssystemen erzielte AlphaEarth Foundations laut dem Forschungspapier durchschnittlich 24 Prozent niedrigere Fehleraten. Das Modell übertraf alle getesteten Ansätze in 15 verschiedenen Evaluationsdatensätzen, die Landnutzungsklassifizierung, biophysikalische Variablenschätzung und Änderungserkennung umfassten.
Das System funktioniert auch in Szenarien, wo nur wenige aufgearbeitete Daten existieren und kann durch seine kontinuierliche Zeitbetrachtung präzise Vorhersagen für beliebige Zeiträume treffen, ohne dass diese vollständig mit den Eingangsdaten übereinstimmen müssen.
Die "Space Time Precision"-(STP)-Architektur des Modells behandelt Satellitenbilder eines Standorts über Zeit wie Frames in einem Video. Dadurch lernt das System räumliche, zeitliche und messungsbasierte Zusammenhänge und kann Embeddings erzeugen, die räumlichen Kontext erfassen und zeitliche Trajektorien bewahren.
Satellitenaufnahmen aus unregelmäßigen Zeitabständen werden chronologisch geordnet und in fortlaufende Embeddings überführt, um lückenlose Ortsansichten mit Messdaten zu liefern. | Video: Google Deepmind
Internationale Partnerschaften zeigen praktischen Nutzen
Über 50 Organisationen testen bereits das System in realen Anwendungen. Der Global Ecosystems Atlas nutzt die Daten zur Klassifizierung unkartierter Ökosysteme in Kategorien wie Küstensträucher und hyperaride Wüsten.
Nick Murray, Direktor des James Cook University Global Ecology Lab, erklärt: "Das Satellite Embedding Dataset revolutioniert unsere Arbeit, indem es Ländern hilft, unbekannte Ökosysteme zu kartieren - das ist entscheidend für die Identifizierung von Schwerpunkten ihrer Naturschutzmaßnahmen."
In Brasilien testet MapBiomas die Daten für ein tieferes Verständnis landwirtschaftlicher und umweltbezogener Veränderungen, insbesondere in kritischen Ökosystemen wie dem Amazonas-Regenwald.
Verfügbarkeit als Satellite Embedding Dataset
Google stellt die jährlichen Embeddings als Satellite Embedding Dataset in Google Earth Engine zur Verfügung. Mit über 1,4 Billionen Embedding-Footprints pro Jahr ist es eines der größten Datensätze seiner Art. Die Sammlung jährlicher Embeddings von 2017 bis 2024 steht unter Apache-2.0-Lizenz zur Verfügung.
Laut Google Earth Engine ermöglicht das Dataset verschiedene Anwendungen: Similarity Search zur Identifizierung ähnlicher Umweltbedingungen weltweit, Change Detection durch Vergleich von Embedding-Vektoren verschiedener Jahre, automatisches Clustering ohne vordefinierte Labels und intelligentere Klassifizierung mit deutlich weniger Trainingsdaten.
Forschungsförderung für wissenschaftliche Anwendungen
Google bietet Forschungsförderungen von bis zu 5.000 US-Dollar für Wissenschaftler:innen, um wissenschaftliche Untersuchungen und Publikationen zu Satellite-Embedding-Anwendungsfällen zu beschleunigen. Die Einreichungen werden über die nächsten Monate angenommen.
Die Entwickler:innen sehen in AlphaEarth Foundations einen bedeutenden Schritt, um "den Zustand und die Dynamik unseres sich verändernden Planeten zu verstehen" und glauben, dass die Kombination mit allgemeinen Reasoning-LLM-Agenten wie Gemini noch nützlichere Anwendungen ermöglichen könnte.
Deepmind hat in der Vergangenheit schon große Datensammlungen verwendet, um Entwicklungen auf der Welt zu beobachten. Das KI-Modell GenCast etwa zeigte Ende 2024 große Fortschritte in der Wettervorhersage.
