AlphaEarth Foundations به نقشه‌برداری سیاره ما با جزئیات بی‌سابقه کمک می‌کند

مدل جدید هوش مصنوعی (AI)، پتابایت‌ها (petabytes) داده‌های مشاهدات زمینی را یکپارچه می‌کند تا نمایشی یکپارچه از داده‌ها تولید کند که نقشه‌برداری و پایش جهانی را متحول می‌سازد.

ماهواره‌ها هر روز تصاویر و اندازه‌گیری‌های غنی از اطلاعات را ثبت می‌کنند و نمایی تقریباً بی‌درنگ از سیاره ما را در اختیار دانشمندان و کارشناسان قرار می‌دهند. در حالی که این داده‌ها فوق‌العاده تاثیرگذار بوده‌اند، پیچیدگی، چندوجهی بودن (multimodality) و نرخ به‌روزرسانی (refresh rate) آن‌ها چالش جدیدی را ایجاد می‌کند: اتصال مجموعه‌داده‌های متفاوت و استفاده موثر از همه آن‌ها.

امروز، ما AlphaEarth Foundations را معرفی می‌کنیم، یک مدل هوش مصنوعی (AI) که مانند یک ماهواره مجازی عمل می‌کند. این مدل با یکپارچه‌سازی حجم عظیمی از داده‌های مشاهدات زمینی به یک نمایش دیجیتالی یکپارچه، یا "تعبیه" (embedding) که سیستم‌های کامپیوتری به راحتی می‌توانند آن را پردازش کنند، کل خشکی‌ها و آب‌های ساحلی سیاره را با دقت و کارایی بالا مشخص می‌کند. این امکان را به مدل می‌دهد تا تصویر کامل‌تر و سازگارتری از تکامل سیاره ما به دانشمندان ارائه دهد و به آن‌ها کمک کند تصمیمات آگاهانه‌تری در مورد مسائل حیاتی مانند امنیت غذایی، جنگل‌زدایی، گسترش شهری و منابع آب بگیرند.

برای تسریع تحقیقات و گشایش موارد کاربرد، ما اکنون مجموعه‌ای از تعبیه‌های سالانه (annual embeddings) AlphaEarth Foundations را به عنوان مجموعه‌داده تعبیه ماهواره‌ای (Satellite Embedding dataset) در Google Earth Engine منتشر می‌کنیم. در طول سال گذشته، با بیش از ۵۰ سازمان برای آزمایش این مجموعه‌داده در کاربردهای واقعی آن‌ها همکاری کرده‌ایم.

شرکای ما در حال حاضر مزایای قابل توجهی را مشاهده می‌کنند، از این داده‌ها برای طبقه‌بندی بهتر اکوسیستم‌های نقشه‌برداری‌نشده، درک تغییرات کشاورزی و محیطی، و افزایش چشمگیر دقت و سرعت کار نقشه‌برداری خود استفاده می‌کنند. در این وبلاگ، هیجان‌زده‌ایم که برخی از بازخوردهای آن‌ها را برجسته کنیم و تأثیر ملموس این فناوری جدید را به نمایش بگذاریم.

AlphaEarth Foundations با حل دو چالش اصلی: حجم زیاد داده‌ها (data overload) و اطلاعات ناسازگار، لنز جدید و قدرتمندی برای درک سیاره ما فراهم می‌کند.

اولاً، این مدل حجم عظیمی از اطلاعات را از ده‌ها منبع عمومی مختلف – تصاویر ماهواره‌ای نوری، رادار، نقشه‌برداری لیزری سه‌بعدی، شبیه‌سازی‌های آب‌وهوا و غیره – ترکیب می‌کند. این اطلاعات را به هم می‌بافد تا خشکی‌ها و آب‌های ساحلی جهان را در مربع‌های ۱۰x۱۰ متری با وضوح بالا تحلیل کند، که به آن امکان می‌دهد تغییرات را در طول زمان با دقت چشمگیری ردیابی کند.

ثانیاً، این داده‌ها را قابل استفاده می‌کند. نوآوری کلیدی این سیستم، توانایی آن در ایجاد یک خلاصه بسیار فشرده برای هر مربع است. این خلاصه‌ها به ۱۶ برابر فضای ذخیره‌سازی کمتر از آنچه توسط سایر سیستم‌های هوش مصنوعی آزمایش‌شده ما تولید می‌شوند نیاز دارند و هزینه تحلیل در مقیاس سیاره‌ای را به طور چشمگیری کاهش می‌دهند.

این پیشرفت، دانشمندان را قادر می‌سازد کاری را انجام دهند که تاکنون غیرممکن بود: ایجاد نقشه‌های دقیق و سازگار از دنیای ما، در صورت تقاضا. چه در حال پایش سلامت محصولات کشاورزی باشند، چه در حال ردیابی جنگل‌زدایی، یا مشاهده ساخت‌وسازهای جدید، دیگر نیازی به تکیه بر عبور یک ماهواره واحد از بالای سر ندارند. آنها اکنون نوع جدیدی از بنیاد برای داده‌های مکانی دارند.

برای اطمینان از آمادگی AlphaEarth Foundations برای استفاده در دنیای واقعی، عملکرد آن را به شدت آزمایش کردیم. در مقایسه با روش‌های سنتی و سایر سیستم‌های نقشه‌برداری هوش مصنوعی، AlphaEarth Foundations همواره دقیق‌ترین بود. این مدل در طیف وسیعی از وظایف در دوره‌های زمانی مختلف، از جمله شناسایی کاربری زمین و تخمین خواص سطح، عالی عمل کرد. نکته مهم اینکه، این موفقیت را در سناریوهایی که داده‌های برچسب‌گذاری شده (label data) کمیاب بودند نیز به دست آورد. به طور متوسط، AlphaEarth Foundations نرخ خطای ۲۴% کمتری نسبت به مدل‌های آزمایش‌شده ما داشت که نشان‌دهنده کارایی یادگیری برتر آن است. اطلاعات بیشتر را در مقاله ما بخوانید.

مجموعه‌داده تعبیه ماهواره‌ای (Satellite Embedding dataset) در Google Earth Engine، که توسط AlphaEarth Foundations تقویت شده است، یکی از بزرگترین مجموعه‌داده‌های از نوع خود با بیش از ۱.۴ تریلیون ردپای تعبیه (embedding footprints) در سال است. این مجموعه از تعبیه‌های سالانه در حال حاضر توسط سازمان‌هایی در سراسر جهان، از جمله سازمان خواربار و کشاورزی ملل متحد (FAO)، Harvard Forest، Group on Earth Observations، MapBiomas، Oregon State University، Spatial Informatics Group و Stanford University، برای ایجاد نقشه‌های سفارشی قدرتمند که به بینش‌های دنیای واقعی منجر می‌شوند، استفاده می‌شود.

به عنوان مثال، Global Ecosystems Atlas، ابتکاری با هدف ایجاد اولین منبع جامع برای نقشه‌برداری و پایش اکوسیستم‌های جهان، از این مجموعه‌داده برای کمک به کشورها در طبقه‌بندی اکوسیستم‌های نقشه‌برداری‌نشده در دسته‌هایی مانند جنگل‌های بوته‌ای ساحلی و بیابان‌های بسیار خشک استفاده می‌کند. این منبع بی‌سابقه نقشی حیاتی در کمک به کشورها برای اولویت‌بندی بهتر مناطق حفاظت‌شده، بهینه‌سازی تلاش‌های بازسازی و مبارزه با از دست دادن تنوع زیستی خواهد داشت.

مجموعه‌داده تعبیه ماهواره‌ای با کمک به کشورها در نقشه‌برداری اکوسیستم‌های ناشناخته، کار ما را متحول می‌کند - این برای شناسایی محل تمرکز تلاش‌های حفاظتی آن‌ها حیاتی است.

در برزیل، MapBiomas در حال آزمایش این مجموعه‌داده است تا تغییرات کشاورزی و محیطی در سراسر کشور را عمیق‌تر درک کند. این نوع نقشه، استراتژی‌های حفاظتی و ابتکارات توسعه پایدار را در اکوسیستم‌های حیاتی مانند جنگل‌های بارانی آمازون اطلاع‌رسانی می‌کند.

همانطور که تاسو آزودو (Tasso Azevedo)، بنیانگذار MapBiomas گفت: "مجموعه‌داده تعبیه ماهواره‌ای می‌تواند شیوه کار تیم ما را متحول کند - ما اکنون گزینه‌های جدیدی برای ساخت نقشه‌های دقیق‌تر، و سریع‌تر داریم - چیزی که قبلاً هرگز قادر به انجام آن نبودیم."

اطلاعات بیشتر در مورد مجموعه‌داده تعبیه ماهواره‌ای و آموزش‌ها را در وبلاگ Google Earth Engine بخوانید.

AlphaEarth Foundations گامی مهم در درک وضعیت و پویایی سیاره در حال تغییر ما محسوب می‌شود. ما در حال حاضر از AlphaEarth Foundations برای تولید تعبیه‌های سالانه استفاده می‌کنیم و معتقدیم که در آینده، زمانی که با عامل‌های مدل‌های زبانی بزرگ (LLM agents) با قابلیت استدلال عمومی مانند Gemini ترکیب شوند، می‌توانند مفیدتر باشند. ما به کاوش بهترین روش‌ها برای اعمال قابلیت‌های مبتنی بر زمان مدل خود به عنوان بخشی از Google Earth AI، مجموعه مدل‌ها و مجموعه‌داده‌های مکانی ما برای کمک به رسیدگی به مهمترین نیازهای سیاره، ادامه می‌دهیم.

• مقاله ما را بخوانید
• به مجموعه‌داده تعبیه ماهواره‌ای ما دسترسی پیدا کنید
• اطلاعات بیشتر را در وبلاگ Google Earth Engine بیابید

این کار حاصل همکاری تیم‌های Google DeepMind و Google Earth Engine بود.

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, Pushmeet Kohli