Satellite Embedding V1

L'ensemble de données Google Satellite Embedding est une collection mondiale d'embeddings géospatiaux appris, prêts pour l'analyse. Chaque pixel de 10 mètres de cet ensemble de données est une représentation à 64 dimensions, ou vecteur d'intégration, qui encode les trajectoires temporelles des conditions de surface au niveau de ce pixel et autour de celui-ci, telles qu'elles sont mesurées par divers instruments et ensembles de données d'observation de la Terre, sur une seule année civile. Contrairement aux entrées et aux indices spectraux conventionnels, où les bandes correspondent à des mesures physiques, les embeddings sont des vecteurs de caractéristiques qui résument les relations entre les observations multisources et multimodales de manière moins directement interprétable, mais plus puissante. Consultez des exemples d'utilisation et des explications plus détaillées.

L'ensemble de données couvre les surfaces terrestres et les eaux peu profondes, y compris les zones intertidales et récifales, les voies navigables intérieures et les voies navigables côtières. La couverture aux pôles est limitée par les orbites des satellites et la couverture des instruments.

La collection est composée d'images couvrant environ 163 840 mètres sur 163 840 mètres. Chaque image comporte 64 bandes {A00, A01, …, A63}, une pour chaque axe de l'espace d'embedding 64D. Toutes les bandes doivent être utilisées pour l'analyse en aval, car elles font collectivement référence à une coordonnée 64D dans l'espace d'intégration et ne sont pas interprétables de manière indépendante.

Toutes les images sont générées dans leur projection transverse universelle de Mercator locale, comme indiqué par la propriété UTM_ZONE. Elles comportent les propriétés system:time_start et system:time_end qui reflètent l'année civile résumée par les embeddings. Par exemple, une image d'embedding pour 2021 aura une valeur system:start_time égale à ee.Date('2021-01-01 00:00:00') et une valeur system:end_time égale à ee.Date('2022-01-01 00:00:00').

Les embeddings sont de longueur unitaire, ce qui signifie qu'ils ont une magnitude de 1 et ne nécessitent aucune normalisation supplémentaire. Ils sont distribués sur la sphère unité, ce qui les rend bien adaptés à l'utilisation avec des algorithmes de clustering et des classificateurs basés sur des arbres. L'espace d'embedding est également cohérent d'une année sur l'autre. Les embeddings de différentes années peuvent être utilisés pour détecter les changements de conditions en tenant compte du produit scalaire ou de l'angle entre deux vecteurs d'embedding. De plus, les embeddings sont conçus pour être composables de manière linéaire, c'est-à-dire qu'ils peuvent être agrégés pour produire des embeddings à des résolutions spatiales plus grossières ou transformés avec de l'arithmétique vectorielle, tout en conservant leur signification sémantique et leurs relations de distance.

L'ensemble de données d'intégration de satellites a été produit par AlphaEarth Foundations, un modèle d'intégration géospatiale qui assimile plusieurs flux de données, y compris des sources optiques, radar, LiDAR et autres (Brown, Kazmierski, Pasquarella et al., en cours d'examen ; prépublication disponible ici).

Étant donné que les représentations sont apprises sur de nombreux capteurs et images, les représentations d'intégration surmontent généralement les problèmes courants tels que les nuages, les lignes de balayage, les artefacts de capteur ou les données manquantes. Elles fournissent des caractéristiques d'analyse prêtes à l'emploi qui peuvent être directement substituées à d'autres sources d'images d'observation de la Terre dans les analyses de classification, de régression et de détection des changements.

Les embeddings de cette collection d'images ont été générés à l'aide de la version 2.1 du modèle AlphaEarth Foundations, qui inclut un certain nombre d'améliorations par rapport au modèle de version 2.0 évalué dans le document AlphaEarth Foundations. Plus précisément, l'ensemble de données d'entraînement a été régénéré pour inclure un grand nombre d'échantillons provenant de l'Antarctique, qui avaient été précédemment supprimés en raison d'une couverture limitée des capteurs.Le nombre de séquences vidéo d'entraînement est ainsi passé de plus de 8,4 millions à plus de 10,1 millions.La couche de données sur les terres cultivées du USDA NASS a été incluse en tant que cible supplémentaire lors de l'entraînement.Les pondérations de perte pour NLCD et CDL ont été abaissées de 0,50 à 0,25.Plusieurs autres modifications mineures ont été apportées pour mieux atténuer les artefacts visuels associés aux bandes de capteurs d'entrée, au tiling et aux cibles de pixels multirésolution. Ces modifications n'ont pas eu d'incidence notable sur les performances du modèle en termes de métriques d'évaluation, mais ont généralement amélioré la qualité des embeddings obtenus.

Bien que certains artefacts de disponibilité des données et de couverture à grande échelle subsistent, ils représentent généralement des décalages vectoriels mineurs et n'affectent généralement pas de manière significative le traitement ou les résultats en aval.