OlmoEarth v1.3 propose des embeddings satellitaires ouverts pour l'ensemble de la planète

Hugging Face a publié OlmoEarth v1.3, un nouveau modèle de pointe qui génère des embeddings vectoriels à partir d'images satellites. En plus des poids du modèle, l'équipe a rendu publics des embeddings annuels précalculés pour l'ensemble de la planète ainsi qu'un outil d'exploration basé sur le navigateur. Ce lancement vise à abaisser la barrière à l'entrée pour les développeurs et les chercheurs travaillant avec des données géospatiales en éliminant le besoin de ressources informatiques lourdes.

Ce qui s'est passé

Le cœur de cette version est le modèle OlmoEarth v1.3, qui transforme les séries temporelles de données satellitaires en vecteurs de caractéristiques compacts et réutilisables. Contrairement aux versions précédentes qui obligeaient les utilisateurs à affiner des modèles sur des images brutes en utilisant une puissance GPU considérable, cette version fournit des embeddings prêts à l'emploi. Hugging Face a calculé ces embeddings pour chaque pixel de 10 mètres sur Terre sur plusieurs années et les a rendus disponibles via Source Cooperative. La publication inclut également l'OlmoEarth Embeddings Explorer, un outil web interactif permettant aux utilisateurs de visualiser les changements dans le temps et d'entraîner des classificateurs simples sans écrire de code ni gérer d'infrastructure.

Cette approche déplace le flux de travail de l'entraînement de grands modèles de vision depuis zéro vers une modélisation légère basée sur des caractéristiques existantes. Les développeurs peuvent désormais créer des applications telles que la cartographie des cultures, la classification de l'occupation des sols ou la détection de changements en entraînant de petits classificateurs sur les vecteurs fournis. L'équipe a évalué les nouveaux embeddings par rapport à des concurrents comme AlphaEarth Foundations et Tessera v2 sur 27 benchmarks différents. OlmoEarth v1.3 a obtenu le meilleur score global, menant dans 20 des 27 évaluations avec ses vecteurs de 128 dimensions et dans 18 évaluations avec sa variante plus petite de 64 dimensions.

La publication met l'accent sur l'ouverture et l'efficacité. Tous les poids du modèle, les données de pré-entraînement et le code sont publiquement disponibles sous la licence OlmoEarth Artifact License. L'équipe a rapporté que l'entraînement d'OlmoEarth v1.3 était nettement moins coûteux et plus économe en énergie que les itérations précédentes, ne consommant que 53 % du temps de calcul de la version 1.2 et 18 % de celui de la version 1. Cette efficacité permet à d'autres organisations de reproduire les résultats, le coût estimé de la dernière session d'entraînement étant d'environ 2 720 $ en location de temps GPU H100.

Comment cela fonctionne

OlmoEarth v1.3 fonctionne en lisant des données de séries temporelles annuelles provenant de trois grandes sources satellitaires : les données radar de Sentinel-1, et les données multispectrales de Sentinel-2 et Landsat. Le modèle utilise une architecture de transformer de vision pour traiter cette entrée. Un composant Attention Pooler agrège les informations provenant de parcelles de terrain en une seule représentation, qui est ensuite réduite à un vecteur de 128 dimensions par une couche linéaire. Ces vecteurs, ou embeddings, capturent la signification sémantique du paysage pour chaque pixel de 10 mètres. Les 64 premières dimensions de ce vecteur peuvent également fonctionner indépendamment comme un embedding plus petit et plus léger.

Puisque les embeddings compressent des données satellitaires complexes en nombres de taille fixe, ils permettent une comparaison et une classification efficaces. Les utilisateurs peuvent comparer les vecteurs de différentes années pour détecter des changements, tels que la déforestation ou l'expansion urbaine, en mesurant la distance entre eux. Le système maintient également des registres de provenance, reliant chaque embedding aux scènes satellitaires spécifiques utilisées pour le générer. Cette transparence permet aux utilisateurs de vérifier les données sources pour n'importe quel emplacement donné.

Détails clés

• OlmoEarth v1.3 produit des embeddings de 128 dimensions pour chaque pixel de 10 mètres sur Terre, avec un sous-ensemble utilisable de 64 dimensions.
• Des embeddings mondiaux précalculés sont disponibles pour 2023, 2024 et 2025, avec une couverture sélectionnée par pays pour 2017 à 2022.
• Le modèle a surpassé AlphaEarth Foundations et Tessera v2 dans 20 des 27 évaluations de benchmark.
• Les coûts d'entraînement ont été réduits de 47 % par rapport à la v1.2, avec des émissions de carbone divisées par deux par rapport à la version précédente.
• L'OlmoEarth Embeddings Explorer permet aux utilisateurs d'entraîner des classificateurs et d'exporter des GeoTIFF directement dans le navigateur sans accès GPU.
• Toutes les ressources, y compris les poids, le code et les données, sont open-source sous la licence OlmoEarth Artifact License.

Pourquoi c'est important

Pour les ingénieurs logiciels et les data scientists, cette publication réduit drastiquement la friction impliquée dans la création d'applications géospatiales. Traditionnellement, la création de cartes d'utilisation des sols précises nécessitait le téléchargement de téraoctets d'images satellitaires brutes, la mise en place de pipelines de prétraitement complexes et l'entraînement de grands modèles sur du matériel coûteux. Avec les embeddings précalculés, ces étapes sont éliminées. Les développeurs peuvent se concentrer sur la résolution de problèmes spécifiques au domaine, tels que l'identification des cultures vivrières ou le suivi de l'activité minière, en entraînant des classificateurs simples et rapides sur les vecteurs fournis. Cette démocratisation de l'accès signifie que les petites équipes et les organisations aux ressources limitées peuvent désormais effectuer des analyses à l'échelle planétaire.

La disponibilité d'embeddings ouverts de haute qualité accélère également la recherche et l'innovation dans la surveillance environnementale. En fournissant une base standardisée et performante, la communauté peut construire des outils plus fiables pour suivre les impacts du changement climatique, l'exploitation forestière illégale et les tendances agricoles. L'inclusion de données de provenance garantit que les résultats sont auditable, ce qui est crucial pour les applications scientifiques et réglementaires. De plus, les gains d'efficacité dans l'entraînement démontrent que les modèles de fondation haute performance ne nécessitent pas toujours des niveaux insoutenables de consommation d'énergie, pointant vers un avenir plus durable pour le développement de l'IA.

Ce que vous pouvez faire

• Visitez l'OlmoEarth Embeddings Explorer pour visualiser les changements planétaires et tester les recherches de similarité sans installer aucun logiciel.
• Téléchargez les embeddings précalculés de 64 ou 128 dimensions pour votre région d'intérêt depuis Source Cooperative.
• Entraînez un classificateur léger sur les embeddings pour créer des cartes personnalisées pour des tâches telles que la détection de cultures ou l'analyse de l'occupation des sols.
• Utilisez les tables de provenance pour retracer des embeddings spécifiques jusqu'à leurs scènes sources originales Sentinel-1, Sentinel-2 ou Landsat.
• Expérimentez avec OlmoEarth Studio si vous devez générer des embeddings pour des fenêtres temporelles ou des résolutions spécifiques non couvertes par l'ensemble précalculé.
• Consultez le rapport technique et les détails du benchmark PLANTEUR pour comprendre la méthodologie d'évaluation et les limites du modèle.