Satellite Embedding V1

מערך הנתונים של הטמעת תמונות לוויין של Google הוא אוסף גלובל�� של הטמעות גיאו-מרחביות שנלמדו, והוא מוכן לניתוח. כל פיקסל בגודל 10 מטרים במערך הנתונים הזה הוא ייצוג של 64 ממדים, או וקטור הטמעה, שמקודד מסלולים זמניים של תנאי פני השטח בפיקסל הזה ובסביבתו, כפי שנמדדו על ידי מכשירים ומערכי נתונים שונים של תצפיות על כדור הארץ, במהלך שנה קלנדרית אחת. בניגוד לנתוני קלט ספקטרליים ולמדדים רגילים, שבהם הפסים מתאימים למדידות פיזיות, הטמעות הן וקטורים של תכונות שמסכמים קשרים בין תצפיות ממקורות שונים וממצבים שונים, בצורה פחות ישירה אבל יותר עוצמתית.

מערך הנתונים כולל את פני השטח היבשתיים ומים רדודים, כולל אזורים בין הגאות והשפל ואזורי שוניות, נתיבי מים פנים-יבשתיים ונתיבי מים לאורך החוף. הכיסוי בקטבים מוגבל בגלל מסלולי הלוויינים והכיסוי של המכשירים.

האוסף מורכב מתמונות שמכסות שטח של כ-163,840 מטרים על 163,840 מטרים, ולכל תמונה יש 64 רצועות {A00, A01, …, A63}, אחת לכל ציר של מרחב ההטמעה ה-64D. צריך להשתמש בכל הרצועות לניתוח המשך, כי הן מתייחסות יחד לקואורדינטה 64D במרחב ההטמעה, ואי אפשר לפרש אותן בנפרד.

כל התמונות נוצרות בהטלה המקומית שלהן של Universal Transverse Mercator, כפי שמצוין במאפיין UTM_ZONE, ויש להן מאפיינים system:time_start ו-system:time_end שמשקפים את השנה הקלנדרית שמסוכמת על ידי ההטבעות. לדוגמה, לתמונת הטבעה לשנת 2021 יהיה ערך system:start_time ששווה ל-ee.Date('2021-01-01 00:00:00') וערך system:end_time ששווה ל-ee.Date('2022-01-01 00:00:00').

ההטמעות הן באורך יחידה, כלומר הגודל שלהן הוא 1 והן לא דורשות נורמליזציה נוספת. הן מפוזרות על פני ספירה של יחידה, ולכן הן מתאימות לשימוש באלגוריתמים של אשכולות ובמסווגים מבוססי-עץ. מרחב ההטמעה גם הוא עקבי לאורך השנים, ואפשר להשתמש בהטמעות משנים שונות כדי לזהות שינויים בתנאים על ידי חישוב המכפלה הסקלרית או הזווית בין שני וקטורי הטמעה. בנ��סף, הווקטורים של ההטמעה מתוכננים להיות ניתנים להרכבה לינארית, כלומר אפשר לצבור אותם כדי ליצור הטמעות ברזולוציות מרחביות גסות יותר או להמיר אותם באמצעות אריתמטיקה וקטורית, ועדיין לשמור על המשמעות הסמנטית ועל יחסי המרחק שלהם.

ההטמעות נוצרות על ידי AlphaEarth Foundations, מודל הטמעה גיאוספציאלי שמשלב כמה זרמי נתונים, כולל נתונים אופטיים, נתוני מכ"ם, נתוני LiDAR ומקורות אחרים (Brown, Kazmierski, Pasquarella et al., in review).

הייצוגים נלמדים על סמך נתונים ממספר רב של חיישנים ותמונות, ולכן הטמעת הייצוגים מפחיתה ביעילות בעיות נפוצות כמו עננים, קווי סריקה, ארטיפקטים של חיישנים או נתונים חסרים. כך מתקבלים מאפיינים חלקים שמוכנים לניתוח, שאפשר להשתמש בהם ישירות במקום מקורות אחרים של תמונות מחישה מרחוק של כדור הארץ בניתוחים של סיווג, רגרסיה וזיהוי שינויים. יכול להיות שתבחינו באפקטים של פסים רחבים ובנתונים לא זמינים בקנה מידה גדול, אבל בדרך כלל מדובר בהזזות קלות של וקטורים, ובאופן כללי הם לא משפיעים באופן משמעותי על העיבוד או על התוצאות.