Satellite Embedding V1

Das Google Satellite Embedding-Dataset ist eine globale, analysebereite Sammlung von gelernten raumbezogenen Einbettungen. Jedes 10-Meter-Pixel in diesem Dataset ist eine 64-dimensionale Darstellung oder ein Einbettungsvektor, der die zeitlichen Verläufe der Oberflächenbedingungen an und um dieses Pixel herum codiert, wie sie von verschiedenen Erdbeobachtungsinstrumenten und ‑datasets über ein einzelnes Kalenderjahr hinweg gemessen wurden. Im Gegensatz zu herkömmlichen spektralen Eingaben und ‑indizes, bei denen Bänder physischen Messungen entsprechen, sind Einbettungen Feature-Vektoren, die Beziehungen zwischen multimodalen Beobachtungen aus mehreren Quellen auf weniger direkt interpretierbare, aber leistungsfähigere Weise zusammenfassen.

Der Datensatz umfasst terrestrische Landoberflächen und flache Gewässer, einschließlich Gezeiten- und Riffzonen, Binnenwasserstraßen und Küstengewässer. Die Abdeckung an den Polen ist durch die Satellitenbahnen und die Instrumentenabdeckung begrenzt.

Die Sammlung besteht aus Bildern, die etwa 163.840 × 163.840 Meter abdecken. Jedes Bild hat 64 Bänder {A00, A01, …, A63}, eines für jede Achse des 64D-Einbettungsraums. Alle Bänder sollten für die Downstream-Analyse verwendet werden, da sie gemeinsam auf eine 64D-Koordinate im Einbettungsraum verweisen und nicht unabhängig voneinander interpretiert werden können.

Alle Bilder werden in ihrer lokalen UTM-Projektion (Universal Transverse Mercator) generiert, wie durch das Attribut UTM_ZONE angegeben. Sie haben die Attribute system:time_start und system:time_end, die das Kalenderjahr widerspiegeln, das durch die Einbettungen zusammengefasst wird. Ein Einbettungsbild für 2021 hat beispielsweise ein system:start_time gleich ee.Date('2021-01-01 00:00:00') und ein system:end_time gleich ee.Date('2022-01-01 00:00:00').

Die Einbettungen haben eine Einheitslänge, d. h., sie haben eine Größe von 1 und erfordern keine zusätzliche Normalisierung. Sie sind auf der Einheitskugel verteilt und eignen sich daher gut für die Verwendung mit Clustering-Algorithmen und baumbasierten Klassifizierern. Der Einbettungsraum ist auch über die Jahre hinweg konsistent. Einbettungen aus verschiedenen Jahren können für die Erkennung von Zustandsänderungen verwendet werden, indem das Punktprodukt oder der Winkel zwischen zwei Einbettungsvektoren berücksichtigt wird. Außerdem sind die Einbettungen so konzipiert, dass sie linear zusammengesetzt werden können. Das heißt, sie können aggregiert werden, um Einbettungen mit gröberer räumlicher Auflösung zu erzeugen, oder mit Vektorarithmetik transformiert werden, wobei sie ihre semantische Bedeutung und Distanzbeziehungen beibehalten.

Die Einbettungen werden von AlphaEarth Foundations generiert, einem geospatialen Einbettungsmodell, das mehrere Datenstreams wie optische, Radar-, LiDAR- und andere Quellen zusammenführt (Brown, Kazmierski, Pasquarella et al., in Überprüfung).

Da Darstellungen aus vielen Sensoren und Bildern gelernt werden, können durch das Einbetten von Darstellungen häufige Probleme wie Wolken, Scanzeilen, Sensorartefakte oder fehlende Daten effektiv behoben werden. So werden nahtlose, analysebereite Funktionen bereitgestellt, die direkt durch andere Bildquellen für die Erdbeobachtung in Klassifizierungs-, Regressions- und Änderungenanalyse ersetzt werden können. Obwohl einige Artefakte in Bezug auf die Verfügbarkeit von Daten und die Breite des Erfassungsbereichs sichtbar sein können, handelt es sich in der Regel um geringfügige Vektorabweichungen, die die nachgelagerte Verarbeitung oder die Ergebnisse im Allgemeinen nicht wesentlich beeinträchtigen.