- Ketersediaan Set Data
- 2017-01-01T00:00:00Z–2024-01-01T00:00:00Z
- Penyedia Set Data
- Google Earth Engine Google DeepMind
- Tag
Deskripsi
Set data Sematan Satelit Google adalah kumpulan sematan geospasial yang dipelajari dan siap dianalisis secara global. Setiap piksel 10 meter dalam set data ini adalah representasi 64 dimensi, atau "vektor sematan", yang mengenkode lintasan temporal kondisi permukaan di dan sekitar piksel tersebut sebagaimana diukur oleh berbagai instrumen dan set data pengamatan Bumi, selama satu tahun kalender. Tidak seperti input dan indeks spektral konvensional, yang band-nya sesuai dengan pengukuran fisik, embedding adalah vektor fitur yang merangkum hubungan di seluruh pengamatan multi-sumber dan multi-modal dengan cara yang kurang dapat ditafsirkan secara langsung, tetapi lebih efektif. Lihat contoh penggunaan dan penjelasan yang lebih mendetail.
Set data ini mencakup permukaan tanah terestrial dan perairan dangkal, termasuk zona pasang surut dan terumbu karang, jalur air pedalaman, dan jalur air pesisir. Cakupan di kutub dibatasi oleh orbit satelit dan cakupan instrumen.
Kumpulan data ini terdiri dari gambar yang mencakup sekitar 163.840 meter
x 163.840 meter, dan setiap gambar memiliki 64 band {A00, A01, …, A63}, satu untuk
setiap sumbu ruang penyematan 64D. Semua band harus digunakan untuk analisis hilir karena secara kolektif merujuk pada koordinat 64D di ruang sematan dan tidak dapat ditafsirkan secara independen.
Semua gambar dibuat dalam proyeksi Universal Transverse Mercator lokalnya seperti yang ditunjukkan oleh properti UTM_ZONE, dan memiliki properti system:time_start dan system:time_end yang mencerminkan tahun kalender yang diringkas oleh sematan; misalnya, gambar sematan untuk tahun 2021 akan memiliki system:start_time yang sama dengan ee.Date('2021-01-01 00:00:00') dan system:end_time yang sama dengan ee.Date('2022-01-01 00:00:00').
Penyematan memiliki panjang unit, yang berarti memiliki besaran 1 dan tidak memerlukan normalisasi tambahan, serta didistribusikan di seluruh bola satuan, sehingga cocok untuk digunakan dengan algoritma pengelompokan dan klasifikasi berbasis pohon. Ruang embedding juga konsisten di seluruh tahun, dan embedding dari tahun yang berbeda dapat digunakan untuk mendeteksi perubahan kondisi dengan mempertimbangkan produk dot atau sudut antara dua vektor embedding. Selain itu, sematan dirancang agar dapat disusun secara linear, yaitu dapat digabungkan untuk menghasilkan sematan pada resolusi spasial yang lebih kasar atau diubah dengan aritmatika vektor, dan tetap mempertahankan makna semantik dan hubungan jaraknya.
Set data Sematan Satelit dihasilkan oleh AlphaEarth Foundations, model sematan geospasial yang mengasimilasi beberapa aliran data, termasuk optik, radar, LiDAR, dan sumber lainnya (Brown, Kazmierski, Pasquarella et al., dalam peninjauan; pracetak tersedia di sini).
Karena representasi dipelajari di banyak sensor dan gambar, representasi sematan umumnya mengatasi masalah umum seperti awan, garis pemindaian, artefak sensor, atau data yang hilang, sehingga menyediakan fitur siap analisis yang lancar yang dapat langsung menggantikan sumber gambar Pengamatan Bumi lainnya dalam analisis klasifikasi, regresi, dan deteksi perubahan.
Embedding dalam koleksi gambar ini dibuat menggunakan model AlphaEarth Foundations v2.1, yang mencakup sejumlah peningkatan dibandingkan model v2.0 yang dievaluasi dalam makalah AlphaEarth Foundations. Yaitu, set data pelatihan dibuat ulang untuk menyertakan sejumlah besar sampel dari Antartika yang sebelumnya dihilangkan karena cakupan sensor yang terbatas, sehingga secara efektif meningkatkan jumlah urutan video pelatihan dari lebih dari 8,4 juta menjadi lebih dari 10,1 juta urutan; dan USDA NASS Cropland Data Layer disertakan sebagai target tambahan selama pelatihan; bobot kerugian untuk NLCD dan CDL diturunkan dari 0,50 menjadi 0,25; dan beberapa perubahan kecil lainnya diterapkan untuk lebih mengurangi artefak visual yang terkait dengan input sensor swaths, tiling, dan target piksel multi-resolusi. Perubahan ini tidak memengaruhi performa model secara signifikan dalam hal metrik evaluasi, tetapi secara umum meningkatkan kualitas embedding yang dihasilkan.
Meskipun beberapa artefak ketersediaan data dan cakupan skala besar masih ada, artefak ini biasanya merepresentasikan offset vektor kecil dan umumnya tidak memengaruhi pemrosesan atau hasil hilir secara signifikan.
Band
Ukuran Piksel
10 meter
Band
| Nama | Unit | Min | Maks | Ukuran Piksel | Deskripsi |
|---|---|---|---|---|---|
A00 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-0 vektor embedding. |
A01 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-1 vektor embedding. |
A02 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-2 vektor embedding. |
A03 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-3 vektor embedding. |
A04 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-4 vektor embedding. |
A05 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-5 vektor embedding. |
A06 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-6 vektor embedding. |
A07 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-7 vektor embedding. |
A08 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-8 vektor embedding. |
A09 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-9 vektor embedding. |
A10 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-10 vektor embedding. |
A11 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-11 vektor embedding. |
A12 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-12 vektor embedding. |
A13 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-13 vektor embedding. |
A14 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-14 vektor embedding. |
A15 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-15 dari vektor embedding. |
A16 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-16 vektor embedding. |
A17 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-17 vektor embedding. |
A18 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-18 vektor embedding. |
A19 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-19 dari vektor embedding. |
A20 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-20 dari vektor embedding. |
A21 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-21 dari vektor embedding. |
A22 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-22 vektor embedding. |
A23 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-23 vektor embedding. |
A24 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-24 vektor embedding. |
A25 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-25 vektor embedding. |
A26 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-26 vektor embedding. |
A27 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-27 dari vektor embedding. |
A28 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-28 vektor embedding. |
A29 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-29 dari vektor embedding. |
A30 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-30 dari vektor embedding. |
A31 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-31 dari vektor embedding. |
A32 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-32 dari vektor embedding. |
A33 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-33 dari vektor embedding. |
A34 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-34 dari vektor embedding. |
A35 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-35 dari vektor embedding. |
A36 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-36 dari vektor embedding. |
A37 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-37 dari vektor embedding. |
A38 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-38 dari vektor embedding. |
A39 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-39 dari vektor embedding. |
A40 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-40 dari vektor embedding. |
A41 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-41 vektor embedding. |
A42 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-42 dari vektor embedding. |
A43 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-43 dari vektor embedding. |
A44 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-44 vektor embedding. |
A45 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-45 dari vektor embedding. |
A46 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-46 dari vektor embedding. |
A47 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-47 dari vektor embedding. |
A48 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-48 dari vektor embedding. |
A49 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-49 dari vektor embedding. |
A50 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-50 dari vektor embedding. |
A51 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-51 vektor embedding. |
A52 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-52 dari vektor embedding. |
A53 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-53 dari vektor embedding. |
A54 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-54 dari vektor embedding. |
A55 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-55 vektor embedding. |
A56 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-56 dari vektor embedding. |
A57 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-57 dari vektor embedding. |
A58 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-58 dari vektor embedding. |
A59 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-59 dari vektor embedding. |
A60 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-60 dari vektor embedding. |
A61 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-61 dari vektor embedding. |
A62 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-62 dari vektor embedding. |
A63 |
Tanpa dimensi | -1 | 1 | meter | Sumbu ke-63 dari vektor embedding. |
Properti Gambar
Properti Gambar
| Nama | Jenis | Deskripsi |
|---|---|---|
| MODEL_VERSION | STRING | String versi yang mengidentifikasi versi model yang digunakan untuk menghasilkan gambar secara unik. |
| PROCESSING_SOFTWARE_VERSION | STRING | String versi yang secara unik mengidentifikasi software pemrosesan data model yang digunakan untuk menghasilkan gambar. |
| UTM_ZONE | STRING | Zona UTM dari sistem referensi koordinat yang digunakan untuk menghasilkan gambar. |
| DATASET_VERSION | STRING | Versi set data. |
Persyaratan Penggunaan
Persyaratan Penggunaan
Kumpulan data ini dilisensikan berdasarkan CC-BY 4.0 dan memerlukan teks atribusi berikut: "Kumpulan data Embedding Satelit AlphaEarth Foundations dibuat oleh Google dan Google DeepMind."
Kutipan
Brown, C. F., Kazmierski, M. R., Pasquarella, V J., Rucklidge, W. J., Samsikova, M., Zhang, C., Shelhamer, E., Lahera, E., Wiles, O., Ilyushchenko, S., Gorelick, N., Zhang, L. L., Alj, S., Schechter, E., Askay, S., Guinan, O., Moore, R., Boukouvalas, A., & Kohli, P.(2025). AlphaEarth Foundations: Model kolom sematan untuk pemetaan global yang akurat dan efisien dari data label jarang. Preprint arXiv arXiv.2507.22291. doi:10.48550/arXiv.2507.22291
Mengeksplorasi dengan Earth Engine
Editor Kode (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');