AlphaEarth Foundations: KI von DeepMind mit einem detaillierten Blick auf die Erde

Satelliten sammeln kontinuierlich enorme Datenmengen über die Erde, von Bildern bis hin zu Messungen, die Fachleuten aktuelle Informationen über den Zustand des Planeten liefern. Diese Daten sind jedoch oft komplex, vielfältig und verändern sich schnell, was ihre vollständige Nutzung erschwert. Genau hier kommt AlphaEarth Foundations ins Spiel, ein fortschrittliches Modell künstlicher Intelligenz von Google DeepMind. Dieses System funktioniert wie ein virtueller Satellit, der Petabytes an Informationen aus der Erdbeobachtung in einer einzigen vereinheitlichten digitalen Form zusammenführt, die als Embedding (Einbettung) bezeichnet wird. Dadurch können Computer die Daten problemlos verarbeiten und Wissenschaftlern einen umfassenderen Überblick darüber geben, wie sich der Planet entwickelt. Das Ergebnis? Bessere Entscheidungen in Bereichen wie Ernährungssicherheit, Bekämpfung der Entwaldung, Stadtwachstum oder Wasserressourcenmanagement.

Dieses Modell bildet dank der Integration verschiedener Datentypen die gesamte Landfläche der Erde sowie die Küstengebiete präzise ab. Zur Unterstützung von Forschung und praktischen Anwendungen stellte das Team jährliche Embeddings im Tool Google Earth Engine bereit. Im vergangenen Jahr arbeitete es mit mehr als 50 Organisationen zusammen, die diese Daten in realen Szenarien testeten. Die Partner schätzen, wie ihnen dies hilft, unbekannte Ökosysteme besser zu identifizieren, Veränderungen in Landwirtschaft und Umwelt zu verfolgen sowie die Genauigkeit und Geschwindigkeit der Kartenerstellung zu erhöhen.

Funktionsweise von AlphaEarth Foundations

AlphaEarth Foundations löst zentrale Probleme bei der Arbeit mit Geodaten: zu viele Informationen und deren mangelnde Übereinstimmung. Zunächst sammelt es Daten aus zahlreichen öffentlichen Quellen, darunter optische Satellitenbilder, Radardaten, 3D-Laserkarten, Klimamodelle und weitere. All diese Elemente führt es in einer Analyse zusammen, die die Welt in kleine Quadrate von 10x10 Metern unterteilt. Dadurch lassen sich Veränderungen im Zeitverlauf detailliert und mit hoher Genauigkeit verfolgen.

Ein weiterer großer Vorteil ist die Erstellung kompakter Zusammenfassungen für jedes Quadrat. Diese Zusammenfassungen benötigen 16-mal weniger Speicherplatz als bei anderen getesteten KI-Systemen, wodurch die Kosten umfangreicher Analysen erheblich sinken. Wissenschaftler können so bei Bedarf präzise Karten erstellen – beispielsweise zur Überprüfung des Zustands von Ernten, zur Überwachung der Aufforstung oder zur Beobachtung neuer Bauwerke. Sie müssen nicht mehr auf einen bestimmten Satelliten warten, sondern verfügen über eine robuste Grundlage für sämtliche Geodatenaufgaben.

Das Team hat das Modell in Tests gründlich überprüft. Im Vergleich zu klassischen Ansätzen und anderen KI-Tools erwies es sich bei verschiedenen Aufgaben als am genauesten, etwa bei der Bestimmung der Landnutzung oder der Schätzung von Oberflächeneigenschaften. Besonders gut schnitt es ab, wenn nur wenige gekennzeichnete Daten vorhanden waren, mit einer im Durchschnitt um 24 % niedrigeren Fehlerquote als die Konkurrenz. Einzelheiten dazu finden Sie in der Studie auf arXiv.

Eigene Karten dank des Satellite Embedding Dataset

Mit Unterstützung von AlphaEarth Foundations bietet das Satellite Embedding Dataset in Google Earth Engine jährlich mehr als 1,4 Billionen Embedding-Elemente – eine der größten Sammlungen dieser Art. Organisationen wie die Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO), Harvard Forest, Group on Earth Observations, MapBiomas, Oregon State University, Spatial Informatics Group oder Stanford University nutzen sie zur Erstellung spezialisierter Karten, die praktische Erkenntnisse liefern.

Ein Beispiel ist das Projekt Global Ecosystems Atlas, das auf die erste vollständige Übersicht über die Ökosysteme der Welt abzielt. Mithilfe dieses Datensatzes unterstützt es Länder dabei, unbekannte Gebiete in Kategorien wie Küstengebüsche oder extrem trockene Wüsten einzuordnen. Dies ist entscheidend, um Prioritäten im Naturschutz, bei der Planung von Wiederherstellungsmaßnahmen und im Kampf gegen den Verlust der biologischen Vielfalt festzulegen.

Nick Murray, Leiter des Labors für globale Ökologie an der James Cook University und wissenschaftlicher Leiter des Global Ecosystems Atlas, erklärte: „Dieser Datensatz verändert unsere Arbeit grundlegend, da er es Ländern ermöglicht, bislang unbekannte Ökosysteme zu kartieren – das ist entscheidend für die gezielte Ausrichtung von Schutzmaßnahmen.“

In Brasilien wiederum testet MapBiomas die Daten, um Veränderungen in Landwirtschaft und Umwelt besser zu verstehen. Solche Karten unterstützen Strategien für nachhaltige Entwicklung in Regionen wie dem Amazonas-Regenwald. Tasso Azevedo, Gründer von MapBiomas, fügte hinzu: „Dieser Datensatz kann unseren Ansatz vollständig verändern – jetzt können wir Karten erstellen, die präziser, detaillierter und schneller fertig sind, was früher undenkbar war.“

Die Zukunft mit AlphaEarth Foundations

Dieses Modell stellt einen großen Fortschritt beim Verständnis der Dynamik unseres Planeten dar. Derzeit dient es zur Erstellung jährlicher Embeddings, doch das Team sieht Potenzial in der Kombination mit fortschrittlichen Systemen wie Gemini, um noch bessere Analysen zu ermöglichen. Es entwickelt zeitbezogene Funktionen als Teil von Google Earth AI weiter, einer Sammlung von Modellen und Daten zur Bewältigung globaler Herausforderungen.

Das Projekt entstand dank der Zusammenarbeit der Teams von Google DeepMind und Google Earth Engine, mit Beiträgen von Fachleuten wie Christopher Brown, Michal Kazmierski, Valerie Pasquarella, William Rucklidge, Masha Samsikova, Olivia Wiles, Chenhui Zhang, Estefania Lahera, Evan Shelhamer, Simon Ilyushchenko, Noel Gorelick, Lihui Lydia Zhang, Sophia Alj, Emily Schechter, Sean Askay, Oliver Guinan, Rebecca Moore, Alexis Boukouvalas und Pushmeet Kohli.