一句话看点

Google DeepMind在2025年7月30日介绍了AlphaEarth Foundations，一款面向地球观测的AI模型，并在Google Earth Engine中发布由其生成的年度Satellite Embedding数据集，试图把海量卫星与环境数据变成更易分析的全球地图底座。

从“看见地球”到“理解地球”

今天的卫星每天都在产生图像和测量数据，科学家几乎可以实时观察地表变化。但问题也随之出现：数据来源多、格式不同、刷新频率高，单独依赖某一颗卫星或某一种传感器，往往难以形成连续、一致的判断。

AlphaEarth Foundations的定位类似“虚拟卫星”。它把来自数十个公共来源的信息整合起来，包括光学卫星图像、雷达、三维激光测绘和气候模拟等，并覆盖全球陆地和近岸水域。模型输出的不是传统图片，而是统一的数字表示，即embedding（嵌入）；可以把它理解为把复杂地表状态压缩成计算机容易比较和检索的一组数字特征。

DeepMind展示的可视化中，模型的嵌入共有64个维度。研究人员把其中3个维度映射为红、绿、蓝后，可以看到厄瓜多尔云层遮挡下的农田细节、南极复杂地表，以及肉眼不易分辨的加拿大农业用地差异。

关键能力：10米网格、低存储、更少标注

AlphaEarth Foundations的核心价值在于同时解决“数据过载”和“信息不一致”。它把地表划分为10×10米方格，并为每个方格生成紧凑摘要，从而支持跨时间的变化追踪。DeepMind称，与其测试的其他AI系统相比，这类摘要所需存储空间减少到约1/16，有助于降低行星尺度分析的成本。

关键数据包括：

• 分析尺度：全球陆地与近岸水域，按10×10米方格表征；
• 表示形式：每个嵌入包含64个组成部分；
• 数据规模：Satellite Embedding数据集每年超过1.4万亿个嵌入足迹；
• 测试结果：相较被测试模型，平均错误率低24%；
• 试用范围：过去一年与超过50家组织开展真实场景测试。

DeepMind强调，模型在土地利用识别、地表属性估计等任务中表现稳定，尤其在标注数据稀缺时仍能保持较好效果。这里的“标注数据”指人工或专家已经确认类别的数据，是训练和评估AI模型的重要参照。

谁在用：从生态系统到亚马逊

Satellite Embedding数据集已通过Google Earth Engine提供。Earth Engine是面向地理空间分析的平台，研究人员可以在云端调用遥感数据并生成地图，而不必先下载庞大原始数据。

参与或使用该数据集的机构包括联合国粮农组织、Harvard Forest、Group on Earth Observations、MapBiomas、俄勒冈州立大学、Spatial Informatics Group和斯坦福大学等。Global Ecosystems Atlas正在用它帮助各国识别尚未制图的生态系统，例如海岸灌丛和极端干旱沙漠，以支持保护优先级、生态修复和生物多样性工作。巴西MapBiomas则在测试它，以更深入理解全国农业和环境变化，并服务于亚马逊等关键生态系统的保护与可持续发展。

行业判断：地理AI正在走向“基础模型化”

AlphaEarth Foundations的意义不只是生成更清晰的地图，而是把分散的地球观测资料变成可复用的基础数据层。对普通用户来说，它可能不会直接表现为一款消费级应用；对科研、农业、环保和城市管理机构来说，它提供的是更快制作专题地图的起点。

不过，地理AI的价值仍取决于数据质量、模型验证和实际任务适配。DeepMind公布的结果显示，统一嵌入有机会降低全球制图门槛，但它不会替代地方调查和专业判断。接下来，关键看更多组织能否在真实业务中验证其稳定性，并把这些年度嵌入转化为可执行的粮食安全、森林保护、水资源和城市扩张决策。