Satellite Embedding V1

Набор данных Google Satellite Embedding представляет собой глобальную, готовую к анализу коллекцию геопространственных эмбеддингов . Каждый 10-метровый пиксель в этом наборе данных представляет собой 64-мерное представление, или « вектор эмбеддинга », который кодирует временные траектории поверхностных условий в этом пикселе и вокруг него, измеренные различными приборами и наборами данных наблюдения Земли в течение одного календарного года. В отличие от традиционных спектральных входных данных и индексов, где диапазоны соответствуют физическим измерениям, эмбеддинги представляют собой векторы признаков, которые суммируют взаимосвязи между данными многоисточниковых мультимодальных наблюдений менее интерпретируемым, но более эффективным способом. См. примеры использования и более подробные объяснения .

Набор данных охватывает поверхности суши и мелководья, включая приливные и рифовые зоны, внутренние и прибрежные водные пути. Охват полюсов ограничен орбитами спутников и зоной действия приборов.

Коллекция состоит из изображений, охватывающих площадь приблизительно 163 840 м на 163 840 м, и каждое изображение содержит 64 полосы {A00, A01, …, A63} , по одной на каждую ось 64-мерного пространства встраивания. Все полосы следует использовать для последующего анализа, поскольку они в совокупности относятся к 64-мерной координате в пространстве встраивания и не могут быть интерпретированы независимо.

Все изображения генерируются в локальной универсальной поперечной проекции Меркатора, как указано свойством UTM_ZONE, и имеют свойства system:time_start и system:time_end , которые отражают календарный год, суммированный вложениями. Например, встраиваемое изображение для 2021 года будет иметь system:start_time равный ee.Date('2021-01-01 00:00:00') , и system:end_time равный ee.Date('2022-01-01 00:00:00') .

Эмбеддинги имеют единичную длину, то есть их величина равна 1, и они не требуют дополнительной нормализации. Они распределены по единичной сфере , что делает их пригодными для использования с алгоритмами кластеризации и древовидными классификаторами. Пространство эмбеддингов также единообразно по годам, и эмбеддинги разных лет могут использоваться для обнаружения изменений условий, рассматривая скалярное произведение или угол между двумя векторами эмбеддингов. Более того, эмбеддинги разработаны с учётом линейной композиции, то есть их можно агрегировать для получения эмбеддингов с более грубым пространственным разрешением или преобразовывать с помощью векторной арифметики, сохраняя при этом своё семантическое значение и отношения расстояний.

Набор данных Satellite Embedding был создан AlphaEarth Foundations , геопространственной моделью встраивания, которая ассимилирует несколько потоков данных, включая оптические, радиолокационные, LiDAR и другие источники (Brown, Kazmierski, Pasquarella et al., 2025; препринт доступен здесь ).

Поскольку представления усваиваются с помощью множества датчиков и изображений, встраиваемые представления обычно позволяют преодолеть такие распространенные проблемы, как облака, линии сканирования, артефакты датчиков или отсутствующие данные, предоставляя готовые к анализу бесшовные функции, которые можно напрямую заменять другими источниками изображений наблюдения за Землей при классификации, регрессии и анализе обнаружения изменений.

Встраивания в этой коллекции изображений были получены с использованием модели AlphaEarth Foundations версии 2.1, которая включает ряд улучшений по сравнению с моделью версии 2.0, оцененной в статье AlphaEarth Foundations. А именно, обучающий набор данных был перегенерирован с включением большого количества образцов из Антарктиды, которые ранее были исключены из-за ограниченного покрытия сенсоров, что фактически увеличило количество обучающих видеопоследовательностей с более чем 8,4 миллионов до более чем 10,1 миллиона последовательностей; слой данных о сельскохозяйственных угодьях USDA NASS был включен в качестве дополнительной цели в процессе обучения; весовые коэффициенты потерь для NLCD и CDL были снижены с 0,50 до 0,25; а также был внесен ряд других незначительных изменений для лучшего устранения визуальных артефактов, связанных с полосами входных сенсоров, тайлингом и пиксельными целевыми объектами с разным разрешением. Эти изменения не оказали существенного влияния на производительность модели с точки зрения метрик оценки, но в целом улучшили качество получаемых встраиваний.

Хотя некоторые крупномасштабные артефакты полосы обзора и доступности данных сохраняются, они, как правило, представляют собой незначительные смещения вектора и, как правило, не оказывают существенного влияния на последующую обработку или результаты.

Набор данных также доступен в Google Cloud Storage (GCS) в контейнере gs://alphaearth_foundations . Вы можете просматривать содержимое контейнера через Google Cloud Console . Обратите внимание, что этот контейнер настроен по принципу «Оплачивает запрашивающая сторона», что означает, что вам необходимо включить проект выставления счетов в запросы API для покрытия расходов на получение и передачу данных. Подробную информацию о структуре данных см. в документации GCS по принципу «Оплачивает запрашивающая сторона» и в файле README контейнера.

Обновление: по состоянию на 17 ноября 2025 г. встроенные слои за 2017 год были перегенерированы и обновлены с учётом дополнительных данных Sentinel-1. Значение свойства DATASET_VERSION для этих обновлённых слоёв увеличено с 1.0 до 1.1.