AlphaEarth di Google: mappe dinamiche della Terra da trilioni di immagini satellitari | | | | Turtles AI

Google DeepMind ha svelato il modello AlphaEarth Foundations, un sistema di AI che funge da “satellite virtuale”, capace di integrare immagini ottiche, radar, dati climatici e altre osservazioni per generare mappe annuali a risoluzione decametrica (10 m). Le embedding realizzate – rappresentazioni a 64 dimensioni per ogni pixel di 10 m² – richiedono 16 volte meno spazio e risultano in media 24 % più accurate rispetto ad altri approcci. Disponibili su Earth Engine fin dal 2017 al 2024, queste mappe sono già adottate da oltre 50 organizzazioni di ricerca e monitoraggio ambientale.

Punti chiave:

•  Rappresentazione globale in pixel da 10 m con embedding geospaziali a 64 dimensioni.
•  Compressione efficiente: dati 16 × più leggeri rispetto ad altri sistemi.
•  Errori ridotti del 24 % rispetto a modelli simili.
•  Utilizzo del dataset Satellite Embedding da Google Earth Engine dal 2017 al 2024.

Google ha introdotto AlphaEarth Foundations per offrire una visione della Terra «in qualsiasi luogo e momento», combinando immagini satellitari ottiche, radar, modelli climatici, dati DEM e misurazioni di copertura vegetale in una rappresentazione uniforme facilmente interrogabile dai sistemi di analisi automatica. Il modello gestisce ogni porzione di superficie terrestre e acque costiere in quadrati da 10 × 10 metri: ogni pixel produce un embedding di 64 componenti che riassume l’intero anno, comprese variazioni stagionali e di copertura. Questa strategia consente risparmi di spazio (fino a 16 volte in meno rispetto ad altri modelli) e costi ridotti per l’analisi su scala planetaria.

Il dataset annuale “Satellite Embedding” – oltre 1,4 trilioni di pixel all’anno – è pubblicato su Google Earth Engine, pronto per elaborazioni come classificazioni, rilevamento dei cambiamenti, clustering automatici, e mappature su scala globale senza necessità di preprocessamenti come correzione atmosferica o filtraggio nubi. Il modello ha dimostrato un tasso di errore inferiore del 24 % rispetto ad altri sistemi simili testati, offrendo una precisione superiore anche in presenza di dati di etichettatura scarsi.

Numerose entità scientifiche e istituzionali utilizzano già il dataset: la Food and Agriculture Organization delle Nazioni Unite, Harvard Forest, Stanford University, MapBiomas, Global Ecosystems Atlas e altri centri di ricerca collaborano a esperimenti su mappatura delle zone umide soggette a marea, monitoraggio delle foreste, classificazione di ecosistemi poco documentati e studio dell’agricoltura in regioni remote. Il biologo Nicholas Murray dell’Università James Cook ha sottolineato che strumenti simili possono ridurre da “decine o centinaia di giorni” a pochi passaggi il tempo di elaborazione per generare mappe utili.

Il modello adotta una visione spatio-temporale simile a un video: sequenze non uniformi di immagini sono trattate come fotogrammi per ricostruire l’evoluzione di ogni zona nel tempo, permettendo analisi continui ed interpolazioni delle traiettorie ambientali. Le embedding vengono quindi usate sia per classificazione supervisionata — con pochi punti etichettati, raggiungono precisioni elevate anche per mappe complesse — sia per analisi non supervisionate e clustering che consentono di scoprire modelli nascosti nel paesaggio.

Il modello copre il periodo dal 2017 al 2024 e Google prevede aggiornamenti regolari dei dataset annuali, rendendoli disponibili in Earth Engine come immagini già pronte all’uso, senza necessità di codifica avanzata. Malgrado l’entusiasmo, alcuni ricercatori invitano Google a fornire maggiori dettagli sui test condotti e sulle modalità di validazione delle mappe generate, poiché la responsabilità finale ricade sugli scienziati che interpretano i risultati.

 AlphaEarth Foundations presenta un metodo innovativo per rappresentare l’evoluzione della superficie terrestre in modo compatto, accurato e accessibile: il dataset annuale offre strumenti utili per scienziati, istituzioni e sviluppatori geospaziali.