Xin Zhiyuan报告编辑：Taozi [Xin Zhiyuan简介] Google DeepMind打开了“上帝的视图”，而新的Alphaearth的杰作则以10米的分辨率发射，创造了空前的土壤数字图片。直接被称为的网民：这不是“地球版chatgpt”吗？刚才，Alpha家族已经推出了一个新的！目前，Google DeepMind为人们打开了“上帝的观点” - 新的Alphaearth基金会吸引了整个世界。它结合了PEB级地球上的观察数据，并生成统一的数据表示。具体而言，Alphaearth基础每10米，每10x10米，总计64个尺寸。 10米的分辨率足以让您看到地面的每个角落。扩展全文
Google是Kinuconfirm在10米广场上的多源卫星数据的本质
Alphaearth fundat的独特功能离子在于强大的“功能”功能。
通过GEM的复杂技术，该模型可以捕获光学，雷达和3D数据的关键特征，并可以轻松区分海滩和沙漠，森林和田野。
这种能力提供了克服其他AI和传统性能方法，从而将错误率降低了24％。
今天，Google团队还发布了一份63页的超整个技术报告。
纸张地址：https：//storage.googleapis.com/deepmind-media/deepmind.com/blog/alphaearth-foundations-helps-map-t-planet-in-planet-in-planet-in-utrecented-dail/alphaearth-foundations.pdf
Alphaearth的基础就像是一个“虚拟卫星”，为人们提供了一个窗户，可以让Awindow窥视地面手腕。
它允许科学家更快有效地研究地球的动态，监测屈服健康，监测森林森林砍伐并处理全球问题，例如气候变化。
网民称赞Google在开发“地球版本”方面迈出了重要一步chatgpt”。
问题是，为什么我们需要世界模型的AI版本？
AI版的“虚拟卫星”首次亮相
64维超高精度
每天，卫星从星系中提取每一英寸的土地，形成大量的图像和观察数据。
这些数据为科学家和决策者提供了世界上全景的观点。
在过去的15年中，地球和地球空间平台上观察的开放图像彻底改变了我们看到Ang Earth的方式。
但是，由于复杂性，多模式和刷新速度，它也源于Abagong挑战：如何连接异源数据集并很好地使用它们？
Alphaearth基金会的诞生已成为解决此问题的获胜工具。
这是一个可以称为“虚拟卫星”的AI模型，可以将大量的球形观察数据结合到计算机系统中，并且可以轻松处理单个数字表示形式（即“已经出现”）。
最终，它结束了以前所未有的准确性，看上去所有地球的水和海岸。
Alphaearth的基础不仅为科学家提供了更完整，更一致的地球进化形象，而且还可以帮助他们在诸如粮食安全，Deforestatiaon，Urban扩展和管理水资源等领域做出更明智的决定。
它如何工作
通过解决“数据过载”和“信息不一致”的挑战，Alphaearth基金会为我们了解地球提供了一个新的观点。
首先，它包含来自十二个不同公共资源的大量信息，包括光学卫星图像，雷达，3D激光映射，气候模拟等。
结合了所有信息后，它以明显的10x10米高准确性检查全球水和海岸，以监测土壤变化随时间的变化。
其次，此数据使其易于使用。
系统的主要变化是能够为BLO的每个区域创建高度紧凑的数字摘要CK。
与其他AI系统相比，这些摘要具有MAS次要存储空间的16倍，从而大大降低了行星规模检查的成本。
这一突破使科学家能够做到今天无法做的事情：创建详细，需要相同的世界地图。
Alphaearth基础的作品：从视频序列提取不均匀采样的帧，以索引任何时间点的位置。这将有助于该模型在解释大量测量数据的同时，开发网站的连续视图。
无论是监测收获健康，森林砍伐监测还是观察新建筑物，它们都不必仅依靠在上方飞行的卫星。
现在，他们有了一种新型的“地理空间数据基础”。
严格的试验后，αEarth的基础使我们看到了无与伦比的精度。
至关重要的是，尽管标记的数据稀缺，但其错误率平均比其他模型低24％，显示出良好的学习效率。全球阶段场在一次重击中损坏的过程（从左到右）。每个嵌入式都包含64个组件图，以在64维球中坐标点
在下面生成的地图数据中，字母的基础以64个尺寸嵌入，分别分配了红色，绿色和蓝色，可以描述我们世界的丰富细节。
在厄瓜多尔，该模型渗透了正在进行的云，并详细介绍了不同开发阶段的领域。
在其他地方，它清楚地绘制了南极的复杂表面 - 在成像中非常困难的区域不规则的卫星成像。
此外，它宣布了加拿大农业土地使用的不可见差异。
关于
接下来，我们将详细破坏详细生成的αEarth基础的力量。
10x10像素，冷凝数据一年
Google团队使用Alphaearth的基础来生成全球预计的嵌入式每年涵盖2017年至今决议的数据集。
这些“嵌入式”图像似乎是普通的土壤图像收集，但它们结合了每个像素中捕获AI-ai-ai-ables功能的功能。
哪些信息包含“嵌入”向量？
测量数据很多资源
嵌入式向量从许多数据源中学习，以获取表面特性的语义信息。
Samplewa是像素的宝石，不仅反映了其惊人的特性，还包括周围环境，季节性变化（例如植物植物，积雪）以及地形和气候特性。
·空间的背景
Alphaearth的基金会已经培训了超过500万个位置，这些地点在全球范围内进行了样本，共有超过30亿个独立的图像框架。
该模型将随时间变化为连续视频帧而变化的位置的卫星图像。
这允许在整个空间，时间和测量模式中学习可以捕获空间背景并维持轨迹时间的Duce Gem。
这意味着，嵌入卫星嵌入数据集上的每个向量都可以对地面每10米像素（100平方米）的区域条件进行高度紧凑且语义上丰富的表示。
每个嵌入10米的像素还可以获取有关其周围区域的信息。
因此，即使是某些区域（例如停车场中的沥青和高速公路）也与分离非常相似，它们的嵌入向量也会有所不同。
·64维世界的视图：坐标和乐队
出现的数据集的卫星图像具有64个频段 - 但它们与经典的光学反射率或雷达回声有所不同。
相比之下，字母基础嵌入了单个像素的64个“频段”，代表64维的“球”中的64维坐标。
这些坐标是由DL形成的，并且已经解释了数学，但不是直接的物理维度，而是MGA的紧凑表示形式测量高维空间。
“卫星嵌入”本质上是64维“球形”表面上的坐标点
在嵌入式数据集的卫星中，科学家可以执行“搜索的相似性”。
只需选择一个目标像素，而出现的向量就可以通过简单的DOT产品计算快速找到世界各地类似的表面和环境条件的区域。
纽约镇出现的向量可以轻松与其他高度城市化的地区相匹配。
坐标-73.9812，40.7628（纽约市，USTHISSEER搜索在曼哈顿城市进行
此外，基于相似性的比较也适用于时间大小，可用于更改嵌入式驱动的稳定性的发现和监视。
具有差距的pualphaearth的nd被设计为与时间相同。
通过比较不同年份中同一像素的出现向量，城市扩张，野火恢复，水库WAT的变化ER级别等很容易监控。
下图显示了在2020年至2024年之间的缝隙空间中观察到的一些变化。每行的最后一个图显示了每个像素和自身之间的相似性（更明亮的值表示差异更大），与以下类型的变化相对应：
扩大郊区
野火之后的土地，你好 - 在大火前被切割的地方
人工水库从干旱到救济时期的变化
几年之间的田间差异，显示了嵌入方式如何获得收益周期和一年中的下降
扩大郊区
野火之后的土地，你好 - 在大火前被切割的地方
人工水库从干旱到救济时期的变化
在几年之间，农场的差异表明嵌入方式如何获得收益周期和一年中的跌幅
此外，没有预先标记的，嵌入的向量与地球发动机的结合EE.Clusterer算法可以自动在不同类型的表面（例如森林，土壤，城市）上将像素集成。
它可以揭示隐藏的地形模式，并有助于研究地形，水文和物候特性。
地球版本chatgpt版本，创建需求中的地图
当前，由Alphaearth基础激活的卫星嵌入数据集是地球发动机中最大的数据集之一。
它每年包含超过1.4万亿“嵌入式”的脚步。
世界各地都有许多组织，包括联合国食品和农业组织，哈佛森林，地球观察，俄勒冈州立大学的Mapbiomas，他们使用此数据集为现实世界中的深刻视图创建了自定义地图。
在实际应用中，字母基础已经取得了初步结果。
全球生态系统ATLAS计划使用数据集来将不受限制的生态系统分类为海灌木，过度圆形沙漠等类别。
t他的第一个资源为国家提供了优化保护区优先级，促进生态恢复和生物多样性损失的基本支持。
巴西也有一个“ Mapbiomas”，他对该数据集进行了测试，以更深入地了解农业和环境变化，从而为亚马逊雨林等主要生态系统提供有关谨慎和可持续发展计划的策略。
字母的基础是人们了解世界动态的重要一步。
接下来，Google团队被用来产生年度紧急情况，并与强大的双子座合作，以最大程度地发挥其有效性。
作为Google Earth AI的一部分，他们还将继续探索应用模型的正时功能的最佳方法。
参考：
https://deepmind.google/discover/blog/alphaearth-boundations-hella
https://medium.com/google-earth/i-powered-pixels-indroducing-gouogles-tellite-embedding-dataset-31744c1f4650返回要查看更多