- Disponibilidad del conjunto de datos
- 2017-01-01T00:00:00Z–2024-01-01T00:00:00Z
- Proveedor del conjunto de datos
- Google Earth Engine Google DeepMind
- Etiquetas
Descripción
El conjunto de datos de Google Satellite Embedding es una colección global de incorporaciones geoespaciales aprendidas y listas para el análisis. Cada píxel de 10 metros de este conjunto de datos es una representación de 64 dimensiones, o "vector de incorporación", que codifica las trayectorias temporales de las condiciones de la superficie en ese píxel y sus alrededores, según se midieron con diversos instrumentos y conjuntos de datos de observación de la Tierra, durante un solo año calendario. A diferencia de los índices y las entradas espectrales convencionales, en los que las bandas corresponden a mediciones físicas, los embeddings son vectores de características que resumen las relaciones entre observaciones multimodales y de múltiples fuentes de una manera menos interpretable directamente, pero más potente. Consulta ejemplos de uso y explicaciones más detalladas.
El conjunto de datos abarca las superficies terrestres y las aguas poco profundas, incluidas las zonas intermareales y de arrecifes, las vías navegables interiores y las vías navegables costeras. La cobertura en los polos está limitada por las órbitas de los satélites y la cobertura de los instrumentos.
La colección se compone de imágenes que abarcan aproximadamente 163,840 metros por 163,840 metros, y cada imagen tiene 64 bandas {A00, A01, …, A63}, una para cada eje del espacio de embedding de 64 dimensiones. Todas las bandas se deben usar para el análisis de transmisión descendente, ya que, en conjunto, hacen referencia a una coordenada de 64 dimensiones en el espacio de la incorporación y no se pueden interpretar de forma independiente.
Todas las imágenes se generan en su proyección local de Universal Transverse Mercator, como lo indica la propiedad UTM_ZONE, y tienen propiedades system:time_start y system:time_end que reflejan el año calendario resumido por las incorporaciones. Por ejemplo, una imagen de incorporación para el 2021 tendrá un system:start_time igual a ee.Date('2021-01-01 00:00:00') y un system:end_time igual a ee.Date('2022-01-01 00:00:00').
Las incorporaciones tienen una longitud unitaria, lo que significa que tienen una magnitud de 1 y no requieren ninguna normalización adicional. Además, se distribuyen en la esfera unitaria, lo que las hace adecuadas para usarse con algoritmos de agrupamiento y clasificadores basados en árboles. El espacio de embedding también es coherente a lo largo de los años, y los embeddings de diferentes años se pueden usar para la detección de cambios en las condiciones considerando el producto escalar o el ángulo entre dos vectores de embedding. Además, los embeddings están diseñados para ser linealmente componibles, es decir, se pueden agregar para producir embeddings en resoluciones espaciales más gruesas o transformarse con aritmética vectorial, y aún así conservan su significado semántico y sus relaciones de distancia.
El conjunto de datos de Satellite Embedding se produjo con AlphaEarth Foundations, un modelo de incorporación geoespacial que asimila múltiples flujos de datos, incluidas fuentes ópticas, de radar, LiDAR y otras (Brown, Kazmierski, Pasquarella et al., en revisión; preprint disponible aquí).
Dado que las representaciones se aprenden en muchos sensores e imágenes, las representaciones de la incorporación generalmente superan los problemas comunes, como las nubes, las líneas de exploración, los artefactos del sensor o los datos faltantes, y proporcionan funciones listas para el análisis sin problemas que se pueden sustituir directamente por otras fuentes de imágenes de observación de la Tierra en los análisis de clasificación, regresión y detección de cambios.
Las incorporaciones de esta colección de imágenes se generaron con la versión 2.1 del modelo de AlphaEarth Foundations, que incluye varias mejoras con respecto al modelo de la versión 2.0 que se evaluó en el documento de AlphaEarth Foundations. Específicamente, se volvió a generar el conjunto de datos de entrenamiento para incluir una gran cantidad de muestras de la Antártida que se habían descartado anteriormente debido a la cobertura limitada de los sensores, lo que aumentó de manera efectiva el recuento de secuencias de video de entrenamiento de más de 8.4 millones a más de 10.1 millones de secuencias. Además, se incluyó la capa de datos de tierras de cultivo del NASS del USDA como un objetivo adicional durante el entrenamiento, se redujeron los pesos de pérdida para NLCD y CDL de 0.50 a 0.25, y se implementaron varios otros cambios menores para mitigar mejor los artefactos visuales asociados con las franjas de sensores de entrada, la división en mosaicos y los objetivos de píxeles de múltiples resoluciones. Estos cambios no afectaron de manera notable el rendimiento del modelo en términos de métricas de evaluación, pero, en general, mejoraron la calidad de las incorporaciones resultantes.
Si bien aún existen algunos artefactos de disponibilidad de datos y franjas a gran escala, estos suelen representar pequeños desplazamientos de vectores y, por lo general, no afectan de manera significativa el procesamiento ni los resultados posteriores.
Bandas
Tamaño de píxel
10 metros
Bandas
| Nombre | Unidades | Mín. | Máx. | Tamaño de los píxeles | Descripción |
|---|---|---|---|---|---|
A00 |
Sin dimensiones | -1 | 1 | metros | Es el eje 0 del vector de embedding. |
A01 |
Sin dimensiones | -1 | 1 | metros | Es el 1ᵉʳ eje del vector de embedding. |
A02 |
Sin dimensiones | -1 | 1 | metros | Es el 2º eje del vector de embedding. |
A03 |
Sin dimensiones | -1 | 1 | metros | Es el 3ᵉʳ eje del vector de embedding. |
A04 |
Sin dimensiones | -1 | 1 | metros | Es el 4º eje del vector de embedding. |
A05 |
Sin dimensiones | -1 | 1 | metros | Es el 5º eje del vector de embedding. |
A06 |
Sin dimensiones | -1 | 1 | metros | Es el 6º eje del vector de embedding. |
A07 |
Sin dimensiones | -1 | 1 | metros | Es el 7º eje del vector de incorporación. |
A08 |
Sin dimensiones | -1 | 1 | metros | Es el 8º eje del vector de embedding. |
A09 |
Sin dimensiones | -1 | 1 | metros | Es el 9º eje del vector de embedding. |
A10 |
Sin dimensiones | -1 | 1 | metros | Es el 10º eje del vector de embedding. |
A11 |
Sin dimensiones | -1 | 1 | metros | Es el 11ᵉʳ eje del vector de embedding. |
A12 |
Sin dimensiones | -1 | 1 | metros | Es el 12º eje del vector de embedding. |
A13 |
Sin dimensiones | -1 | 1 | metros | Es el 13ᵉʳ eje del vector de embedding. |
A14 |
Sin dimensiones | -1 | 1 | metros | Es el 14º eje del vector de embedding. |
A15 |
Sin dimensiones | -1 | 1 | metros | Es el 15º eje del vector de embedding. |
A16 |
Sin dimensiones | -1 | 1 | metros | Es el 16º eje del vector de embedding. |
A17 |
Sin dimensiones | -1 | 1 | metros | Es el 17º eje del vector de embedding. |
A18 |
Sin dimensiones | -1 | 1 | metros | Es el 18º eje del vector de embedding. |
A19 |
Sin dimensiones | -1 | 1 | metros | Es el 19º eje del vector de embedding. |
A20 |
Sin dimensiones | -1 | 1 | metros | Es el 20º eje del vector de embedding. |
A21 |
Sin dimensiones | -1 | 1 | metros | Es el eje 21 del vector de embedding. |
A22 |
Sin dimensiones | -1 | 1 | metros | Es el eje 22 del vector de embedding. |
A23 |
Sin dimensiones | -1 | 1 | metros | Es el 23ᵉʳ eje del vector de embedding. |
A24 |
Sin dimensiones | -1 | 1 | metros | Es el 24º eje del vector de embedding. |
A25 |
Sin dimensiones | -1 | 1 | metros | Es el 25º eje del vector de embedding. |
A26 |
Sin dimensiones | -1 | 1 | metros | Es el eje 26 del vector de embedding. |
A27 |
Sin dimensiones | -1 | 1 | metros | Es el 27º eje del vector de embedding. |
A28 |
Sin dimensiones | -1 | 1 | metros | Es el 28º eje del vector de embedding. |
A29 |
Sin dimensiones | -1 | 1 | metros | Es el eje 29 del vector de embedding. |
A30 |
Sin dimensiones | -1 | 1 | metros | Es el 30º eje del vector de embedding. |
A31 |
Sin dimensiones | -1 | 1 | metros | Es el 31ᵉ eje del vector de embedding. |
A32 |
Sin dimensiones | -1 | 1 | metros | Es el 32º eje del vector de embedding. |
A33 |
Sin dimensiones | -1 | 1 | metros | Es el eje 33 del vector de embedding. |
A34 |
Sin dimensiones | -1 | 1 | metros | Es el 34º eje del vector de embedding. |
A35 |
Sin dimensiones | -1 | 1 | metros | Es el 35º eje del vector de embedding. |
A36 |
Sin dimensiones | -1 | 1 | metros | Es el eje 36 del vector de embedding. |
A37 |
Sin dimensiones | -1 | 1 | metros | Es el eje 37 del vector de embedding. |
A38 |
Sin dimensiones | -1 | 1 | metros | Es el eje 38 del vector de embedding. |
A39 |
Sin dimensiones | -1 | 1 | metros | Es el 39º eje del vector de embedding. |
A40 |
Sin dimensiones | -1 | 1 | metros | Es el eje 40 del vector de embedding. |
A41 |
Sin dimensiones | -1 | 1 | metros | Es el eje 41 del vector de embedding. |
A42 |
Sin dimensiones | -1 | 1 | metros | Es el eje 42 del vector de embedding. |
A43 |
Sin dimensiones | -1 | 1 | metros | Es el eje 43 del vector de incorporación. |
A44 |
Sin dimensiones | -1 | 1 | metros | Es el eje 44 del vector de embedding. |
A45 |
Sin dimensiones | -1 | 1 | metros | Es el eje 45 del vector de embedding. |
A46 |
Sin dimensiones | -1 | 1 | metros | Es el eje 46 del vector de embedding. |
A47 |
Sin dimensiones | -1 | 1 | metros | Es el eje 47 del vector de embedding. |
A48 |
Sin dimensiones | -1 | 1 | metros | Es el eje 48 del vector de embedding. |
A49 |
Sin dimensiones | -1 | 1 | metros | Es el eje 49 del vector de embedding. |
A50 |
Sin dimensiones | -1 | 1 | metros | Es el 50º eje del vector de embedding. |
A51 |
Sin dimensiones | -1 | 1 | metros | Es el 51ᵉʳ eje del vector de embedding. |
A52 |
Sin dimensiones | -1 | 1 | metros | Es el 52º eje del vector de embedding. |
A53 |
Sin dimensiones | -1 | 1 | metros | Es el 53ᵉ eje del vector de embedding. |
A54 |
Sin dimensiones | -1 | 1 | metros | Es el 54º eje del vector de embedding. |
A55 |
Sin dimensiones | -1 | 1 | metros | Es el eje 55 del vector de embedding. |
A56 |
Sin dimensiones | -1 | 1 | metros | Es el 56º eje del vector de embedding. |
A57 |
Sin dimensiones | -1 | 1 | metros | Es el 57º eje del vector de embedding. |
A58 |
Sin dimensiones | -1 | 1 | metros | Es el eje 58 del vector de embedding. |
A59 |
Sin dimensiones | -1 | 1 | metros | Es el eje 59 del vector de embedding. |
A60 |
Sin dimensiones | -1 | 1 | metros | Es el eje 60 del vector de embedding. |
A61 |
Sin dimensiones | -1 | 1 | metros | Es el eje 61 del vector de embedding. |
A62 |
Sin dimensiones | -1 | 1 | metros | Es el eje 62 del vector de embedding. |
A63 |
Sin dimensiones | -1 | 1 | metros | Es el eje 63 del vector de embedding. |
Propiedades de imágenes
Propiedades de imágenes
| Nombre | Tipo | Descripción |
|---|---|---|
| MODEL_VERSION | STRING | Es la cadena de versión que identifica de forma única la versión del modelo que se usó para producir la imagen. |
| PROCESSING_SOFTWARE_VERSION | STRING | Es la cadena de versión que identifica de forma única el software de procesamiento de datos del modelo que se usó para producir la imagen. |
| UTM_ZONE | STRING | Es la zona UTM del sistema de referencia de coordenadas que se usó para producir la imagen. |
| DATASET_VERSION | STRING | Es la versión del conjunto de datos. |
Condiciones de Uso
Condiciones de Uso
Este conjunto de datos se publica bajo la licencia CC-BY 4.0 y requiere el siguiente texto de atribución: "El conjunto de datos de la incorporación de satélites de AlphaEarth Foundations es un producto de Google y Google DeepMind".
Citas
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., y Kohli, P.(2025). AlphaEarth Foundations: Un modelo de campo de incorporación para la asignación global precisa y eficiente a partir de datos de etiquetas dispersos. Preprint de arXiv arXiv.2507.22291. doi:10.48550/arXiv.2507.22291
Explora con Earth Engine
Editor de código (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');