- データセットの可用性
- 2017-01-01T00:00:00Z–2024-01-01T00:00:00Z
- データセット プロバイダ
- Google Earth Engine Google DeepMind
- タグ
説明
Google Satellite Embedding データセットは、学習済みの地理空間エンベディングのグローバルな分析対応コレクションです。このデータセットの 10 メートルの各ピクセルは、単一の暦年で、さまざまな地球観測機器とデータセットによって測定された、そのピクセルとその周辺の地表状態の時間的軌跡をエンコードする 64 次元の表現（「エンベディング ベクトル」）です。バンドが物理測定に対応する従来のスペクトル入力や指標とは異なり、エンベディングは、複数のソースのマルチモーダル観測間の関係を直接解釈することは難しいものの、より強力な方法で要約する特徴ベクトルです。使用例と詳細な説明をご覧ください。
このデータセットは、潮間帯やサンゴ礁帯、内陸水路、沿岸水路など、陸地表面と浅瀬を対象としています。極域の観測範囲は、衛星の軌道と観測機器の観測範囲によって制限されます。
このコレクションは、約 163,840 メートル × 163,840 メートルの範囲をカバーする画像で構成されています。各画像には 64 個のバンド {A00, A01, …, A63} があり、64D エンベディング空間の各軸に対応しています。すべての帯域は、エンベディング空間の 64D 座標をまとめて参照し、個別に解釈できないため、ダウンストリーム分析に使用する必要があります。
すべての画像は、UTM_ZONE プロパティで示されるローカルのユニバーサル横メルカトル図法で生成され、エンベディングで要約された暦年を反映する system:time_start プロパティと system:time_end プロパティを持ちます。たとえば、2021 年のエンベディング画像には、system:start_time が ee.Date('2021-01-01 00:00:00') に等しく、system:end_time が ee.Date('2022-01-01 00:00:00') に等しい値が設定されます。
エンベディングは単位長です。つまり、大きさは 1 で、追加の正規化は必要ありません。また、単位球全体に分布しているため、クラスタリング アルゴリズムやツリーベースの分類子での使用に適しています。エンベディング空間は年ごとに一貫しており、異なる年のエンベディングは、2 つのエンベディング ベクトルのドット積または角度を考慮することで、条件の変化の検出に使用できます。さらに、エンベディングは線形合成可能になるように設計されています。つまり、エンベディングを統合して空間解像度の粗いエンベディングを生成したり、ベクトル演算で変換したりしても、意味的意味と距離関係を保持できます。
Satellite Embedding データセットは、光学、レーダー、LiDAR などの複数のデータストリームを統合する地理空間エンベディング モデルである AlphaEarth Foundations によって生成されました（Brown、Kazmierski、Pasquarella 他、審査中。プレプリントはこちらで入手できます）。
表現は多くのセンサーと画像で学習されるため、一般的に、エンベディング表現は雲、スキャンライン、センサー アーティファクト、欠損データなどの一般的な問題を克服し、分類、回帰、変化検出分析で他の地球観測画像ソースに直接置き換えることができるシームレスな分析対応機能を提供します。
この画像コレクションのエンベディングは、AlphaEarth Foundations モデルの v2.1 を使用して生成されました。このモデルには、AlphaEarth Foundations の論文で評価された v2.0 モデルに対する多くの改善が含まれています。具体的には、トレーニング データセットが再生成され、センサーの範囲が限られていたために以前は除外されていた南極のサンプルが多数含まれるようになりました。これにより、トレーニング動画シーケンスの数が 840 万以上から 1,010 万以上に増えました。また、トレーニング中に USDA NASS の農地データレイヤが追加のターゲットとして含まれるようになり、NLCD と CDL の損失重みが 0.50 から 0.25 に引き下げられました。さらに、入力センサーの帯状領域、タイリング、マルチ解像度ピクセル ターゲットに関連する視覚的なアーティファクトを軽減するために、いくつかのマイナーな変更が実装されました。これらの変更は、評価指標の観点からモデルのパフォーマンスに大きな影響を与えませんでしたが、一般的に、結果として得られるエンベディングの品質が向上しました。
大規模なスワスとデータ可用性のアーティファクトが残る場合もありますが、通常はベクトルのわずかなオフセットであり、ダウンストリームの処理や結果に大きな影響を与えることはありません。
バンド
Pixel Size
10 メートル
帯域
| 名前 | 単位 | 最小 | 最大 | ピクセルサイズ | 説明 |
|---|---|---|---|---|---|
A00 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 0 番目の軸。 |
A01 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 1 番目の軸。 |
A02 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 2 番目の軸。 |
A03 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 3 番目の軸。 |
A04 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 4 番目の軸。 |
A05 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 5 番目の軸。 |
A06 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 6 番目の軸。 |
A07 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 7 番目の軸。 |
A08 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 8 番目の軸。 |
A09 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 9 番目の軸。 |
A10 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 10 番目の軸。 |
A11 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 11 番目の軸。 |
A12 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 12 番目の軸。 |
A13 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 13 番目の軸。 |
A14 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 14 番目の軸。 |
A15 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 15 番目の軸。 |
A16 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 16 番目の軸。 |
A17 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 17 番目の軸。 |
A18 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 18 番目の軸。 |
A19 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 19 番目の軸。 |
A20 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 20 番目の軸。 |
A21 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 21 番目の軸。 |
A22 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 22 番目の軸。 |
A23 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 23 番目の軸。 |
A24 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 24 番目の軸。 |
A25 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 25 番目の軸。 |
A26 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 26 番目の軸。 |
A27 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 27 番目の軸。 |
A28 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 28 番目の軸。 |
A29 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 29 番目の軸。 |
A30 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 30 番目の軸。 |
A31 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 31 番目の軸。 |
A32 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 32 番目の軸。 |
A33 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 33 番目の軸。 |
A34 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 34 番目の軸。 |
A35 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 35 番目の軸。 |
A36 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 36 番目の軸。 |
A37 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 37 番目の軸。 |
A38 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 38 番目の軸。 |
A39 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 39 番目の軸。 |
A40 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 40 番目の軸。 |
A41 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 41 番目の軸。 |
A42 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 42 番目の軸。 |
A43 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 43 番目の軸。 |
A44 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 44 番目の軸。 |
A45 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 45 番目の軸。 |
A46 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 46 番目の軸。 |
A47 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 47 番目の軸。 |
A48 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 48 番目の軸。 |
A49 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 49 番目の軸。 |
A50 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 50 番目の軸。 |
A51 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 51 番目の軸。 |
A52 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 52 番目の軸。 |
A53 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 53 番目の軸。 |
A54 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 54 番目の軸。 |
A55 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 55 番目の軸。 |
A56 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 56 番目の軸。 |
A57 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 57 番目の軸。 |
A58 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 58 番目の軸。 |
A59 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 59 番目の軸。 |
A60 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 60 番目の軸。 |
A61 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 61 番目の軸。 |
A62 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 62 番目の軸。 |
A63 |
無次元 | -1 | 1 | メートル | エンベディング ベクトルの 63 番目の軸。 |
画像プロパティ検出
画像プロパティ
| 名前 | 型 | 説明 |
|---|---|---|
| MODEL_VERSION | STRING | イメージの生成に使用されたモデル バージョンを一意に識別するバージョン文字列。 |
| PROCESSING_SOFTWARE_VERSION | STRING | イメージの生成に使用されたモデル データ処理ソフトウェアを一意に識別するバージョン文字列。 |
| UTM_ZONE | STRING | 画像の生成に使用される座標参照系の UTM ゾーン。 |
| DATASET_VERSION | STRING | データセットのバージョン。 |
利用規約
利用規約
このデータセットは CC-BY 4.0 に基づいてライセンスされており、「AlphaEarth Foundations Satellite Embedding dataset は Google と Google DeepMind によって作成されました」という帰属表示テキストが必要です。
引用
Brown, C. F., Kazmierski, M. R.、Pasquarella, V J.、Rucklidge、W. J.、 Samsikova, M.、Zhang, C.、Shelhamer, E.、Lahera, E.、Wiles, O., Ilyushchenko, S.、Gorelick, N.、Zhang, L. L., Alj, S.、Schechter, E.、Askay, S.、Guinan, O.、Moore, R.、Boukouvalas, A.、& Kohli, P.（2025 年）。AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data. arXiv preprint arXiv.2507.22291. doi:10.48550/arXiv.2507.22291
Earth Engine で探索する
コードエディタ（JavaScript）
// Load collection. var dataset = ee.ImageCollection('GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL'); // Point of interest. var point = ee.Geometry.Point(-121.8036, 39.0372); // Get embedding images for two years. var image1 = dataset .filterDate('2023-01-01', '2024-01-01') .filterBounds(point) .first(); var image2 = dataset .filterDate('2024-01-01', '2025-01-01') .filterBounds(point) .first(); // Visualize three axes of the embedding space as an RGB. var visParams = {min: -0.3, max: 0.3, bands: ['A01', 'A16', 'A09']}; Map.addLayer(image1, visParams, '2023 embeddings'); Map.addLayer(image2, visParams, '2024 embeddings'); // Calculate dot product as a measure of similarity between embedding vectors. // Note for vectors with a magnitude of 1, this simplifies to the cosine of the // angle between embedding vectors. var dotProd = image1 .multiply(image2) .reduce(ee.Reducer.sum()); // Add dot product to the map. Map.addLayer( dotProd, {min: 0, max: 1, palette: ['white', 'black']}, 'Similarity between years (brighter = less similar)' ); Map.centerObject(point, 12); Map.setOptions('SATELLITE');