Google 的 AlphaEarth Foundations 是以各種地球觀測 (EO) 資料集訓練而成的地理空間嵌入模型。這項模型已對年度時間序列圖片執行，產生的嵌入內容可做為 Earth Engine 中立即可供分析的資料集。使用者可運用這個資料集建構任意數量的微調應用程式或其他工作，不必執行耗費大量運算資源的深度學習模型。結果是可用於多項不同下游工作的通用資料集，例如
- 分類
- 迴歸
- 變更偵測
- 相似度搜尋
在本教學課程中，我們將瞭解嵌入的運作方式，並學習如何存取及視覺化衛星嵌入資料集。
瞭解嵌入
嵌入是將大量資訊壓縮成一組較小的特徵，代表有意義的語意。AlphaEarth Foundations 模型會從 Sentinel-2、Sentinel-1 和 Landsat 等感應器取得影像時間序列，並學習如何以 64 個數字獨特地呈現來源和目標之間的互通資訊 (詳情請參閱論文)。輸入資料串流包含多個感應器提供的數千個影像頻帶，模型會將這個高維度輸入內容轉換為低維度表示法。
如要瞭解 AlphaEarth Foundations 的運作方式，可以參考主成分分析 (PCA) 這項技術。PCA 也有助於降低機器學習應用程式的資料維度。PCA 是一種統計技術，可將數十個輸入頻帶壓縮成少數幾個主成分，而 AlphaEarth Foundations 是一種深度學習模型，可處理多感應器時間序列資料集的數千個輸入維度，並學習建立 64 個頻帶的表示法，獨特地擷取該像素的空間和時間變異性。
嵌入欄位是所學嵌入內容的連續陣列或「欄位」。嵌入欄位集合中的圖片代表涵蓋整年的時空軌跡，並有 64 個波段 (每個嵌入維度各有一個波段)。
圖：從嵌入欄位取樣的 n 維度嵌入向量
存取衛星嵌入資料集
衛星嵌入資料集是圖片集合，內含 2017 年至今的年度圖片 (例如 2017 年、2018 年、2019 年等)。每張圖片都有 64 個波段，每個像素都是代表特定年份多感應器時間序列的嵌入向量。
var embeddings = ee.ImageCollection('GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL');
選取區域
首先，請定義感興趣的區域。在本教學課程中，我們將選取印度 Krishna Raja Sagara (KRS) 水庫附近的區域，並將多邊形定義為幾何變數。或者，您也可以使用程式碼編輯器中的繪圖工具，在感興趣的區域周圍繪製多邊形，並將其儲存為「匯入」中的 geometry 變數。
// Use the satellite basemap
Map.setOptions('SATELLITE');
var geometry = ee.Geometry.Polygon([[
[76.3978, 12.5521],
[76.3978, 12.3550],
[76.6519, 12.3550],
[76.6519, 12.5521]
]]);
Map.centerObject(geometry, 12);
圖：選取感興趣的區域
準備衛星嵌入資料集
每年拍攝的影像都會分割成圖塊，方便存取。我們會套用篩選條件，找出所選年份和區域的圖片。
var year = 2024;
var startDate = ee.Date.fromYMD(year, 1, 1);
var endDate = startDate.advance(1, 'year');
var filteredEmbeddings = embeddings
.filter(ee.Filter.date(startDate, endDate))
.filter(ee.Filter.bounds(geometry));
衛星嵌入圖片會劃分為最多 163,840 公尺 x 163,840 公尺的方格，並以方格的 Urchin 流量監視器 (UTM) 區域投影方式提供。因此，我們會取得多個涵蓋感興趣區域的衛星嵌入式地圖圖塊。我們可以透過 mosaic() 函式，將多個圖塊合併為單一圖片。讓我們列印產生的圖片，看看這些頻帶。
var embeddingsImage = filteredEmbeddings.mosaic();
print('Satellite Embedding Image', embeddingsImage);
您會看到圖片有 64 個波段，分別命名為 A00、A01、…、A63。每個頻帶都包含該維度或軸中，指定年份的嵌入向量值。與光譜帶或指數不同，個別帶沒有獨立意義，而是代表嵌入空間的一個軸。您會將所有 64 個波段做為下游應用程式的輸入內容。
圖：衛星嵌入圖片的 64 個頻帶
將衛星嵌入資料集視覺化
如我們剛才所見，我們的圖片包含 64 個波段。我們一次只能查看三個波段的組合，因此無法輕鬆呈現所有波段所含的資訊。
我們可以選取任意三個頻帶，將嵌入空間的三個軸以 RGB 圖片的形式呈現。
var visParams = {min: -0.3, max: 0.3, bands: ['A01', 'A16', 'A09']};
Map.addLayer(embeddingsImage.clip(geometry), visParams, 'Embeddings Image');
圖：嵌入空間 3 個軸的 RGB 視覺化
您也可以使用這項資訊，將具有類似嵌入的像素分組，並根據這些分組瞭解模型如何學習地景的空間和時間變異性。
我們可以運用非監督式分群技術，將 64 維空間中的像素分組，或「叢集」成類似的值。為此，我們首先會對一些像素值進行取樣，然後訓練 ee.Clusterer。
var nSamples = 1000;
var training = embeddingsImage.sample({
region: geometry,
scale: 10,
numPixels: nSamples,
seed: 100
});
print(training.first());
如果您列印第一個樣本的值，會看到該像素的嵌入向量有 64 個波段值。嵌入向量的長度應為單位長度，也就是從原點 (0,0,....0) 到向量值的向量長度為 1。
圖：擷取的嵌入向量
我們現在可以訓練非監督式模型，將樣本分組到所需數量的叢集中。每個叢集代表的像素嵌入內容相似。
// Function to train a model for desired number of clusters
var getClusters = function(nClusters) {
var clusterer = ee.Clusterer.wekaKMeans({nClusters: nClusters})
.train(training);
// Cluster the image
var clustered = embeddingsImage.cluster(clusterer);
return clustered;
};
現在我們可以將較大的嵌入圖片叢集化，查看具有類似嵌入內容的像素群組。在此之前，請務必瞭解模型已擷取一年內每個像素的完整時間軌跡，也就是說，如果兩個像素在所有圖片中具有相似的光譜值，但時間不同，則可以分開。
下圖是 2024 年的 Sentinel-2 影像，經過雲層遮蔽處理後，顯示我們感興趣的區域。請注意，所有圖片 (包括來自 Sentinel-2、Landsat 8/9 和許多其他感應器的圖片) 都已用於學習最終的嵌入。
圖：我們所在區域的 Sentinel-2 年度時間序列
我們將地景分割成 3 個叢集，以視覺化呈現衛星嵌入圖片，
var cluster3 = getClusters(3);
Map.addLayer(cluster3.randomVisualizer().clip(geometry), {}, '3 clusters');
圖：衛星嵌入圖片，包含 3 個叢集
您會發現產生的叢集有非常乾淨的邊界。這是因為嵌入項目本身就包含空間脈絡，因此同一物件內的像素應具有相對相似的嵌入向量。此外，其中一個叢集包含主要水庫周圍有季節性水源的區域。這是因為嵌入向量中擷取的時序背景資訊，可讓我們偵測出具有類似時序模式的像素。
接下來，我們將像素分組為 5 個叢集，看看是否能進一步精簡叢集。
var cluster5 = getClusters(5);
Map.addLayer(cluster5.randomVisualizer().clip(geometry), {}, '5 clusters');
圖：衛星嵌入圖片，內含 5 個叢集
我們可以繼續增加叢集數量，將圖片細分成更專業的群組。以下圖片顯示 10 個叢集。
var cluster10 = getClusters(10);
Map.addLayer(cluster10.randomVisualizer().clip(geometry), {}, '10 clusters');
圖：衛星嵌入圖片，內含 10 個叢集
我們可以看到許多細節，以及不同類型的作物分組到不同叢集。由於衛星嵌入式裝置會擷取作物物候以及氣候變數，因此非常適合用於作物類型對應。在下一個教學課程 (非監督式分類) 中，我們會瞭解如何使用衛星嵌入資料建立作物類型地圖，且幾乎不需要或完全不需要田間層級標籤。