OlmoEarth v1.3 liefert offene Satelliten-Embeddings für den gesamten Planeten

Hugging Face hat OlmoEarth v1.3 veröffentlicht, ein neues State-of-the-Art-Modell, das Vektor-Embeddings aus Satellitenbildern erzeugt. Neben den Modellgewichten hat das Team vorab berechnete jährliche Embeddings für den gesamten Planeten sowie ein browserbasiertes Erkundungstool veröffentlicht. Dieser Launch zielt darauf ab, die Einstiegshürde für Entwickler und Forscher, die mit geospatialen Daten arbeiten, zu senken, indem der Bedarf an rechenintensiven Ressourcen entfällt.

Was passiert ist

Der Kern dieser Veröffentlichung ist das OlmoEarth-v1.3-Modell, das Zeitreihendaten von Satelliten in kompakte, wiederverwendbare Feature-Vektoren verarbeitet. Im Gegensatz zu früheren Versionen, bei denen Nutzer Modelle auf Rohbildern unter erheblichem GPU-Aufwand feinabstimmen mussten, stellt diese Version sofort einsatzbereite Embeddings bereit. Hugging Face hat diese Embeddings für jeden 10-Meter-Pixel auf der Erde über mehrere Jahre hinweg berechnet und sie über Source Cooperative verfügbar gemacht. Die Veröffentlichung umfasst zudem den OlmoEarth Embeddings Explorer, ein interaktives Web-Tool, mit dem Nutzer Veränderungen über die Zeit visualisieren und einfache Klassifikatoren trainieren können, ohne Code schreiben oder Infrastruktur verwalten zu müssen.

Dieser Ansatz verschiebt den Workflow vom Training großer Vision-Modelle von Grund auf hin zu leichtgewichtiger Modellierung auf Basis vorhandener Features. Entwickler können nun Anwendungen wie die Kartierung von Nutzpflanzen, die Landbedeckungsklassifikation oder die Veränderungserkennung erstellen, indem sie kleine Klassifikatoren auf den bereitgestellten Vektoren trainieren. Das Team evaluierte die neuen Embeddings gegen Wettbewerber wie AlphaEarth Foundations und Tessera v2 in 27 verschiedenen Benchmarks. OlmoEarth v1.3 erzielte die höchste Gesamtpunktzahl und führte in 20 der 27 Bewertungen mit seinen 128-dimensionalen Vektoren sowie in 18 Bewertungen mit seiner kleineren 64-dimensionalen Variante.

Die Veröffentlichung betont Offenheit und Effizienz. Alle Modellgewichte, Pretraining-Daten und der Code sind öffentlich unter der OlmoEarth Artifact License verfügbar. Das Team berichtete, dass das Training von OlmoEarth v1.3 deutlich kostengünstiger und energieeffizienter war als bei früheren Iterationen: Es benötigte nur 53 % der Rechenzeit von Version 1.2 und 18 % von Version 1. Diese Effizienz macht es für andere Organisationen machbar, die Ergebnisse zu reproduzieren; der finale Trainingslauf wird auf Kosten von etwa 2.720 USD für gemietete H100-GPU-Zeit geschätzt.

Wie es funktioniert

OlmoEarth v1.3 arbeitet, indem es jährliche Zeitreihendaten von drei großen Satellitenquellen liest: Radardaten von Sentinel-1 sowie multispektrale Daten von Sentinel-2 und Landsat. Das Modell nutzt eine Vision-Transformer-Architektur zur Verarbeitung dieser Eingaben. Eine Attention-Pooler-Komponente aggregiert die Informationen aus Landflächen-Patches zu einer einzigen Darstellung, die dann durch eine lineare Schicht auf einen 128-dimensionalen Vektor reduziert wird. Diese Vektoren, auch Embeddings genannt, erfassen die semantische Bedeutung der Landschaft bei jedem 10-Meter-Pixel. Die ersten 64 Dimensionen dieses Vektors können auch unabhängig als kleineres, leichteres Embedding funktionieren.

Da die Embeddings komplexe Satellitendaten in festgelegte numerische Werte komprimieren, ermöglichen sie effiziente Vergleiche und Klassifikationen. Nutzer können Vektoren aus verschiedenen Jahren vergleichen, um Veränderungen wie Entwaldung oder städtische Expansion zu erkennen, indem sie den Abstand zwischen ihnen messen. Das System führt zudem Provenienzdatensätze, die jedes Embedding zurück zu den spezifischen Satellitenszenen verknüpfen, aus denen es generiert wurde. Diese Transparenz ermöglicht es Nutzern, die Quelldaten für jeden beliebigen Ort zu überprüfen.

Wichtige Details

• OlmoEarth v1.3 erzeugt 128-dimensionale Embeddings für jeden 10-Meter-Pixel auf der Erde, mit einem nutzbaren 64-dimensionalen Subset.
• Vorab berechnete globale Embeddings sind für 2023, 2024 und 2025 verfügbar, mit ausgewählter Länderabdeckung für 2017 bis 2022.
• Das Modell übertraf AlphaEarth Foundations und Tessera v2 in 20 von 27 Benchmark-Evaluierungen.
• Die Trainingskosten wurden im Vergleich zu v1.2 um 47 % gesenkt, wobei die CO2-Emissionen im Vergleich zur vorherigen Version halbiert wurden.
• Der OlmoEarth Embeddings Explorer ermöglicht es Nutzern, Klassifikatoren zu trainieren und GeoTIFFs direkt im Browser zu exportieren, ohne GPU-Zugriff.
• Alle Assets, einschließlich Gewichte, Code und Daten, sind unter der OlmoEarth Artifact License Open Source.

Warum es wichtig ist

Für Software-Ingenieure und Data Scientists reduziert diese Veröffentlichung die Reibungsverluste beim Aufbau geospatialer Anwendungen erheblich. Traditionell erforderte die Erstellung genauer Landnutzungskarten das Herunterladen von Terabytes an Roh-Satellitenbildern, die Einrichtung komplexer Vorverarbeitungspipelines und das Training großer Modelle auf teurer Hardware. Mit vorab berechneten Embeddings entfallen diese Schritte. Entwickler können sich auf die Lösung spezifischer Domänenprobleme konzentrieren, wie die Identifizierung von Kleinbauern-Nutzpflanzen oder die Verfolgung von Bergbauaktivitäten, indem sie einfache, schnelle Klassifikatoren auf den bereitgestellten Vektoren trainieren. Diese Demokratisierung des Zugangs bedeutet, dass kleinere Teams und Organisationen mit begrenzten Ressourcen nun planetare Analysen durchführen können.

Die Verfügbarkeit hochwertiger, offener Embeddings beschleunigt zudem Forschung und Innovation in der Umweltüberwachung. Durch die Bereitstellung eines standardisierten, leistungsstarken Baselines kann die Community zuverlässigere Tools zur Verfolgung von Klimawandelfolgen, illegalem Holzeinschlag und landwirtschaftlichen Trends entwickeln. Die Einbeziehung von Provenienzdaten stellt sicher, dass Ergebnisse auditierbar sind, was für wissenschaftliche und regulatorische Anwendungen entscheidend ist. Darüber hinaus zeigen die Effizienzgewinne beim Training, dass hochperformante Foundation-Modelle nicht immer nicht-nachhaltige Energieniveaus erfordern, was auf eine nachhaltigere Zukunft für die KI-Entwicklung hindeutet.

Was Sie tun können

• Besuchen Sie den OlmoEarth Embeddings Explorer, um planetare Veränderungen zu visualisieren und Ähnlichkeitssuchen zu testen, ohne Software installieren zu müssen.
• Laden Sie die vorab berechneten 64- oder 128-dimensionalen Embeddings für Ihre Region von Interesse von Source Cooperative herunter.
• Trainieren Sie einen leichtgewichtigen Klassifikator auf den Embeddings, um benutzerdefinierte Karten für Aufgaben wie Nutzpflanzenerkennung oder Landbedeckungsanalyse zu erstellen.
• Nutzen Sie die Provenienztabellen, um spezifische Embeddings zurück zu ihren ursprünglichen Sentinel-1-, Sentinel-2- oder Landsat-Quellenszenen zu verfolgen.
• Experimentieren Sie mit OlmoEarth Studio, wenn Sie Embeddings für bestimmte Zeitfenster oder Auflösungen generieren müssen, die nicht im vorab berechneten Satz enthalten sind.
• Prüfen Sie den technischen Bericht und die PLANTEUR-Benchmark-Details, um die Evaluierungsmethodik und die Modellgrenzen zu verstehen.