In den folgenden Ressourcen finden Sie weitere Informationen zu AlphaEarth Foundations und Satellite Embeddings:
- Satellite Embeddings Dataset: Hier finden Sie das Schema und die Spezifikationen für das jährliche Satellite Embeddings Dataset.
- Satellite Embeddings App: Probieren Sie die Ähnlichkeitssuche im jährlichen Satellite Embeddings Dataset aus.
- Tutorial 1: Einführung: Im Einführungstutorial lernen Sie die Grundlagen von Satelliteneinbettungen kennen.
- Tutorial 2: Unüberwachte Klassifizierung: In diesem Tutorial zur unüberwachten Klassifizierung erfahren Sie, wie Sie Landschaften automatisch clustern.
- Tutorial 3: Überwachte Klassifizierung: Im Tutorial zur überwachten Klassifizierung erfahren Sie, wie Sie Landtypen mithilfe einer intelligenteren Klassifizierung mit weniger Daten kartieren.
- Tutorial 4: Regression: Im Tutorial zur Regression erfahren Sie, wie Sie Umgebungsvariablen wie die Höhe des Kronendachs vorhersagen.
- Anleitung 5: Ähnlichkeitssuche: Mit der Anleitung zur Ähnlichkeitssuche können Sie sofort ähnliche Oberflächenbedingungen auf der ganzen Welt finden.
- AlphaEarth Foundations-Blog: Im offiziellen Blogpost erfahren Sie, wie das KI-Modell von Google DeepMind Petabytes an Daten in eine einheitliche Darstellung integriert.
- KI-gestützte Pixel: In dieser Einführung auf Medium erfahren Sie mehr über die Funktionen des Satellite Embedding-Datasets in Google Earth Engine.
- Schätzung des Kohlenstoffgehalts von Wäldern: In der Fallstudie zum Kohlenstoffgehalt von Wäldern erfahren Sie, wie Einbettungen und LiDAR-Daten die Kartierung von Kohlenstoffbeständen verbessern.
- Erkennung landwirtschaftlicher Anlagen: In der Fallstudie zur Erkennung landwirtschaftlicher Anlagen erfahren Sie, wie Sie Infrastruktur wie Palmölmühlen in großem Maßstab identifizieren können.
- Vektorsuche mit BigQuery: Mit dem BigQuery-Integrationsleitfaden können Sie Ihre räumliche Intelligenz mit multimodalen Einbettungen skalieren.