- Доступность набора данных
- 2017-01-01T00:00:00Z–2025-01-01T00:00:00Z
- Производитель наборов данных
- Google Earth Engine Google DeepMind
- Теги
Описание
Набор данных Google Satellite Embedding представляет собой глобальную, готовую к анализу коллекцию обученных 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 наблюдения Земли и наборами данных за один календарный год. В отличие от традиционных спектральных входных данных и индексов, где полосы соответствуют физическим измерениям, эмбеддинги представляют собой векторы признаков, которые обобщают взаимосвязи между многоисточниковыми, многомодальными наблюдениями менее прямым, но более эффективным способом. См. примеры использования и более подробные пояснения .
Набор данных охватывает наземные поверхности и мелководье, включая приливные и рифовые зоны, внутренние и прибрежные водные пути. Охват на полюсах ограничен орбитами спутников и зоной покрытия приборов.
Коллекция состоит из изображений, охватывающих приблизительно 163 840 метров на 163 840 метров, и каждое изображение имеет 64 полосы {A00, A01, …, A63} , по одной для каждой оси 64D пространства вложения. Все полосы следует использовать для последующего анализа, поскольку они в совокупности относятся к 64D координатам в пространстве вложения и не могут быть интерпретированы независимо.
Все изображения генерируются в локальной проекции Universal Transverse Mercator, как указано в свойстве UTM_ZONE, и имеют свойства system:time_start и system:time_end , отражающие календарный год, суммированный в векторных представлениях; например, векторное изображение для 2021 года будет иметь system:start_time равное ee.Date('2021-01-01 00:00:00') , и system:end_time равное ee.Date('2022-01-01 00:00:00') .
Векторные представления имеют единичную длину, то есть их величина равна 1, и они не требуют дополнительной нормализации. Они распределены по единичной сфере , что делает их хорошо подходящими для использования с алгоритмами кластеризации и древовидными классификаторами. Пространство векторных представлений также является согласованным по годам, и векторные представления из разных лет могут использоваться для обнаружения изменений состояния путем рассмотрения скалярного произведения или угла между двумя векторами векторных представлений. Кроме того, векторные представления разработаны таким образом, чтобы быть линейно комбинируемыми, то есть их можно агрегировать для получения векторных представлений с более грубым пространственным разрешением или преобразовывать с помощью векторной арифметики, сохраняя при этом их семантическое значение и отношения расстояний.
Набор данных Satellite Embedding был создан AlphaEarth Foundations , геопространственной моделью встраивания, которая объединяет множество потоков данных, включая оптические, радиолокационные, LiDAR и другие источники (Brown, Kazmierski, Pasquarella et al., 2025; препринт доступен здесь ).
Поскольку представления формируются на основе данных с множества датчиков и изображений, встраивание представлений, как правило, позволяет преодолеть распространенные проблемы, такие как облака, линии сканирования, артефакты датчиков или отсутствующие данные, обеспечивая готовые к анализу признаки, которые могут быть напрямую заменены другими источниками изображений дистанционного зондирования Земли в классификационном, регрессионном анализе и анализе изменений.
Встраивания в эту коллекцию изображений были сгенерированы с использованием версии 2.1 модели AlphaEarth Foundations, которая включает ряд улучшений по сравнению с моделью версии 2.0, рассмотренной в статье об AlphaEarth Foundations. В частности, обучающий набор данных был перегенерирован с включением большого количества образцов из Антарктиды, которые ранее были исключены из-за ограниченного покрытия сенсора, что фактически увеличило количество обучающих видеопоследовательностей с более чем 8,4 миллионов до более чем 10,1 миллионов последовательностей; и слой данных USDA NASS Cropland Data Layer был включен в качестве дополнительной цели во время обучения; весовые коэффициенты потерь для NLCD и CDL были снижены с 0,50 до 0,25; и были внесены несколько других незначительных изменений для лучшего уменьшения визуальных артефактов, связанных с полосами входных сенсоров, мозаичным расположением и многоразрешенными пиксельными целями. Эти изменения не оказали существенного влияния на производительность модели с точки зрения метрик оценки, но в целом улучшили качество получаемых встраиваний.
Хотя некоторые артефакты, связанные с доступностью данных и шириной полосы обзора, сохраняются, они, как правило, представляют собой незначительные смещения векторов и обычно не оказывают существенного влияния на последующую обработку или результаты.
Набор данных также доступен в Google Cloud Storage (GCS) в корзине gs://alphaearth_foundations . Вы можете просмотреть содержимое корзины через консоль Google Cloud . Обратите внимание, что эта корзина настроена как "Оплата запрашивающим лицом", то есть вам необходимо указать проект выставления счетов в ваших API-запросах для покрытия расходов на получение данных и исходящий трафик. Подробную информацию о структуре данных см. в документации GCS по опции "Оплата запрашивающим лицом" и в файле README корзины.
Обновления:
- По состоянию на 17.11.2025, встраиваемые слои имеют версию DATASET_VERSION 1.1. Это включает в себя перегенерированный слой 2017 года, который учитывает дополнительные данные, полученные со спутника Sentinel-1.
- По состоянию на 29.01.2026 в коллекцию добавляются эмбеддинги 2025 года по зонам UTM на постоянной основе. Пожалуйста, проверьте коллекцию для получения информации о текущем покрытии.
Компания Google обязуется продолжать ежегодное создание слоев спутниковых данных и будет уведомлять о любых ожидаемых изменениях в сроках их предоставления как минимум за год вперед, при условии постоянной доступности входных потоков данных от USGS и ESA, на которые опирается создание набора данных.
Группы
Размер пикселя
10 метров
Группы
| Имя | Единицы | Мин | Макс | Размер пикселя | Описание |
|---|---|---|---|---|---|
A00 | Безразмерная | -1 | 1 | метры | Нулевая ось вектора вложения. |
A01 | Безразмерная | -1 | 1 | метры | Первая ось вектора вложения. |
A02 | Безразмерная | -1 | 1 | метры | Вторая ось вектора вложения. |
A03 | Безразмерная | -1 | 1 | метры | Третья ось вектора вложения. |
A04 | Безразмерная | -1 | 1 | метры | Четвертая ось вектора вложения. |
A05 | Безразмерная | -1 | 1 | метры | Пятая ось вектора вложения. |
A06 | Безразмерная | -1 | 1 | метры | Шестая ось вектора вложения. |
A07 | Безразмерная | -1 | 1 | метры | Седьмая ось вектора вложения. |
A08 | Безразмерная | -1 | 1 | метры | Восьмая ось вектора вложения. |
A09 | Безразмерная | -1 | 1 | метры | Девятая ось вектора вложения. |
A10 | Безразмерная | -1 | 1 | метры | Десятая ось вектора вложения. |
A11 | Безразмерная | -1 | 1 | метры | 11-я ось вектора вложения. |
A12 | Безразмерная | -1 | 1 | метры | Двенадцатая ось вектора вложения. |
A13 | Безразмерная | -1 | 1 | метры | 13-я ось вектора вложения. |
A14 | Безразмерная | -1 | 1 | метры | 14-я ось вектора вложения. |
A15 | Безразмерная | -1 | 1 | метры | 15-я ось вектора вложения. |
A16 | Безразмерная | -1 | 1 | метры | 16-я ось вектора вложения. |
A17 | Безразмерная | -1 | 1 | метры | 17-я ось вектора вложения. |
A18 | Безразмерная | -1 | 1 | метры | 18-я ось вектора вложения. |
A19 | Безразмерная | -1 | 1 | метры | 19-я ось вектора вложения. |
A20 | Безразмерная | -1 | 1 | метры | 20-я ось вектора вложения. |
A21 | Безразмерная | -1 | 1 | метры | 21-я ось вектора вложения. |
A22 | Безразмерная | -1 | 1 | метры | 22-я ось вектора вложения. |
A23 | Безразмерная | -1 | 1 | метры | 23-я ось вектора вложения. |
A24 | Безразмерная | -1 | 1 | метры | 24-я ось вектора вложения. |
A25 | Безразмерная | -1 | 1 | метры | 25-я ось вектора вложения. |
A26 | Безразмерная | -1 | 1 | метры | 26-я ось вектора вложения. |
A27 | Безразмерная | -1 | 1 | метры | 27-я ось вектора вложения. |
A28 | Безразмерная | -1 | 1 | метры | 28-я ось вектора вложения. |
A29 | Безразмерная | -1 | 1 | метры | 29-я ось вектора вложения. |
A30 | Безразмерная | -1 | 1 | метры | 30-я ось вектора вложения. |
A31 | Безразмерная | -1 | 1 | метры | 31-я ось вектора вложения. |
A32 | Безразмерная | -1 | 1 | метры | 32-я ось вектора вложения. |
A33 | Безразмерная | -1 | 1 | метры | 33-я ось вектора вложения. |
A34 | Безразмерная | -1 | 1 | метры | 34-я ось вектора вложения. |
A35 | Безразмерная | -1 | 1 | метры | 35-я ось вектора вложения. |
A36 | Безразмерная | -1 | 1 | метры | 36-я ось вектора вложения. |
A37 | Безразмерная | -1 | 1 | метры | 37-я ось вектора вложения. |
A38 | Безразмерная | -1 | 1 | метры | 38-я ось вектора вложения. |
A39 | Безразмерная | -1 | 1 | метры | 39-я ось вектора вложения. |
A40 | Безразмерная | -1 | 1 | метры | 40-я ось вектора вложения. |
A41 | Безразмерная | -1 | 1 | метры | 41-я ось вектора вложения. |
A42 | Безразмерная | -1 | 1 | метры | 42-я ось вектора вложения. |
A43 | Безразмерная | -1 | 1 | метры | 43-я ось вектора вложения. |
A44 | Безразмерная | -1 | 1 | метры | 44-я ось вектора вложения. |
A45 | Безразмерная | -1 | 1 | метры | 45-я ось вектора вложения. |
A46 | Безразмерная | -1 | 1 | метры | 46-я ось вектора вложения. |
A47 | Безразмерная | -1 | 1 | метры | 47-я ось вектора вложения. |
A48 | Безразмерная | -1 | 1 | метры | 48-я ось вектора вложения. |
A49 | Безразмерная | -1 | 1 | метры | 49-я ось вектора вложения. |
A50 | Безразмерная | -1 | 1 | метры | 50-я ось вектора вложения. |
A51 | Безразмерная | -1 | 1 | метры | 51-я ось вектора вложения. |
A52 | Безразмерная | -1 | 1 | метры | 52-я ось вектора вложения. |
A53 | Безразмерная | -1 | 1 | метры | 53-я ось вектора вложения. |
A54 | Безразмерная | -1 | 1 | метры | 54-я ось вектора вложения. |
A55 | Безразмерная | -1 | 1 | метры | 55-я ось вектора вложения. |
A56 | Безразмерная | -1 | 1 | метры | 56-я ось вектора вложения. |
A57 | Безразмерная | -1 | 1 | метры | 57-я ось вектора вложения. |
A58 | Безразмерная | -1 | 1 | метры | 58-я ось вектора вложения. |
A59 | Безразмерная | -1 | 1 | метры | 59-я ось вектора вложения. |
A60 | Безразмерная | -1 | 1 | метры | 60-я ось вектора вложения. |
A61 | Безразмерная | -1 | 1 | метры | 61-я ось вектора вложения. |
A62 | Безразмерная | -1 | 1 | метры | 62-я ось вектора вложения. |
A63 | Безразмерная | -1 | 1 | метры | 63-я ось вектора вложения. |
Свойства изображения
Свойства изображения
| Имя | Тип | Описание |
|---|---|---|
| ВЕРСИЯ МОДЕЛИ | НИТЬ | Строка версии, однозначно идентифицирующая версию модели, использованную для создания образа. |
| ВЕРСИЯ_ПРОГРАММНОГО_ОБРАБОТКИ | НИТЬ | Строка версии однозначно идентифицирует программное обеспечение для обработки модельных данных, использованное для создания изображения. |
| UTM_ZONE | НИТЬ | Зона UTM системы координат, использованной для создания изображения. |
| DATASET_VERSION | НИТЬ | Версия набора данных. |
Условия эксплуатации
Условия эксплуатации
Данный набор данных распространяется под лицензией CC-BY 4.0 и требует указания следующего авторского права: « Набор данных AlphaEarth Foundations Satellite Embedding создан компаниями Google и Google DeepMind».
Цитаты
Браун, К.Ф., Казмирски, М.Р., Паскуарелла, В.Дж., Раклидж, В.Дж., Самсикова, М., Чжан, К., Шелхамер, Э., Лахера, Э., Уайлс, О., Илющенко, С., Горелик, Н., Чжан, Л.Л., Элдж, С., Шехтер, Э., Аскай, С., Гинан, О., Мур, Р., Букувалас А. и Кохли П. (2025). AlphaEarth Foundations: встроенная полевая модель для точного и эффективного глобального картографирования на основе разреженных данных меток. Препринт arXiv arXiv.2507.22291. doi:10.48550/arXiv.2507.22291
Исследуйте мир с помощью Earth Engine.
Редактор кода (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');