Ein Satelliten-KI-Modell, das Sie tatsächlich nutzen können: Allen Institute öffnet OlmoEarth Embeddings
Allen AIs OlmoEarth Studio kann nun numerische „Fingerabdrücke" von beliebigen Erdregionen exportieren und ermöglicht Forschern, Wälder zu kartografieren, Waldbrände zu erkennen und Landnutzungsänderungen mit fast keine gekennzeichneten Trainingsdaten zu verfolgen.
Hauptpunkte
- Das OlmoEarth Studio des Allen Institute for AI ermöglicht Benutzern nun, Embeddings – kompakte numerische Zusammenfassungen von Satellitenaufnahmen – für beliebige Bereiche und Zeiträume zu exportieren.
- Drei Modellgrößen stehen zur Verfügung: Nano (1,4 Millionen Parameter), Tiny (6,2 Millionen) und Base (89 Millionen), wobei jede Geschwindigkeit gegen Detail abwägt.
- In einem Test mit nur 60 gekennzeichneten Pixeln kartografierte das System Mangrovenwälder in Vietnam mit einem F1-Genauigkeitswert von 0,84 von 1,0.
- Die zugrunde liegenden Modellgewichte und der Quellcode sind öffentlich verfügbar, was bedeutet, dass jeder die Arbeiten überprüfen oder darauf aufbauen kann.
- Die Brandnarbe des Park Fire in Butte County, Kalifornien, erschien in einem Änderungserkennungstest unter Verwendung von nur zwei Monaten Satellitendaten und ohne manuelle Beschriftungen.
Wenn Sie jemals ein Satellitenfoto betrachtet und sich gefragt haben, welche Teile Wald sind, welche Ackerland und welche letzten Sommer brannten, denken Sie wie ein Erdbeobachtungsforscher. Bis vor kurzem erforderte das Beantworten dieser Fragen teure Datensätze und monatelange Expertenbeschriftung. Ein neues Tool des Allen Institute for AI möchte das ändern.
OlmoEarth Studio, die Plattform des Allen Institute zur Erstellung von Modellen, die Satellitenaufnahmen interpretieren, ermöglicht Benutzern nun die Berechnung und den Export von sogenannten Embeddings. Ein Embedding ist eine Liste von Zahlen, eine Art numerischer Fingerabdruck, den ein trainiertes KI-Modell jedem Landfleck zuweist, den es betrachtet. Orte, die am Boden ähnlich aussehen, erhalten ähnliche Zahlen. Orte, die sich unterscheiden, liegen weit auseinander in diesem numerischen Raum.
Stellen Sie sich vor wie ein Weinverkostungs-Bewertungsformular. Statt einen Wein in Prosa zu beschreiben, zeichnen Sie Dutzende von Messungen auf: Säure, Tannin, Zucker. Zwei ähnliche Weine erhalten ähnliche Bewertungsformulare, auch wenn Sie sie nie nebeneinander gekostet haben. OlmoEarth macht das Gleiche für Land: Es liest Satellitenpixel und erstellt ein Bewertungsformular für jeden Ort.
Was können Sie mit diesen Zahlen tatsächlich tun?
Ziemlich viel, wie sich herausstellt, sogar mit fast keine Trainingsdaten.
Die einfachste Anwendung ist die Ähnlichkeitssuche: Wählen Sie ein Pixel, fragen Sie das Modell, welche anderen Pixel ihm am ähnlichsten sind, und erhalten Sie eine Hitzekarte zurück. In einem Test über Kaliforniens Merced-Region beleuchtete eine urbane Abfrage Straßenkorridore im gesamten Bild, während Ackerland dunkel blieb. Es waren keine Beschriftungen erforderlich.
Leistungsstarker ist das, was das Team Few-Shot-Segmentierung nennt, was bedeutet, dass Sie eine winzige Handvoll Beispiele beschriften und das Modell den Rest herausfindet. Forscher beschrifteten nur 60 Pixel in einer Küstenmangrovenregion in Ca Mau, Vietnam: 20 als Mangrove markiert, 20 als Wasser, 20 als andere. Sie speisten diese 60 gekennzeichneten Zahlen in einen grundlegenden Lehrbuch-Klassifizierer (logistische Regression, ein Jahrzehnte altes statistisches Tool) ein und ließen ihn jedes andere Pixel vorhersagen. Das Ergebnis bedeckte die gesamte Region mit einem gewichteten F1-Wert von 0,84. Die Erhöhung der gekennzeichneten Stichprobe auf 300 Pixel bewegte diese Zahl kaum, weil die Embeddings bereits die schwere Arbeit leisten.
| Modellvariante | Dimensionen | Parameter | Typische Anwendung |
|---|---|---|---|
| Nano | 128 | 1,4 Millionen | Schnelle, speicherarme Aufgaben |
| Tiny | 192 | 6,2 Millionen | Ausgewogene Leistung |
| Base | 768 | 89 Millionen | Höchste Detail, mehr Rechenleistung |
Änderungserkennung ist vielleicht die beeindruckendste Demo. Das Team zog monatliche Satelliteneinbettungen für denselben Teil von Butte County, Kalifornien im September 2023 und September 2024 und maß dann, wie sehr sich der Fingerabdruck jedes Pixels verschoben hat. Die Brandnarbe des Park Fire vom Sommer 2024 erschien sofort, keine Beschriftungen, keine manuelle Überprüfung.
Für wen ist das?
Das Tool ist derzeit auf Forscher und Analysten ausgerichtet, die mit Satellitendaten arbeiten: Naturschutzgruppen, Stadtplaner, Klimawissenschaftler, Landwirtschaftsbehörden. Da die Modellgewichte und der Code aber öffentlich sind, können kleinere Teams mit Programmierkenntnissen die Open-Source-Version selbst ausführen, wie zuerst von Hugging Face in seiner Modellabdeckung berichtet wurde.
Die Studio-Version, die die Satellitendatenakquisition automatisch übernimmt, erfordert die Kontaktaufnahme mit Allen AI für den Zugang. Die benutzerdefinierte räumliche Auflösung reicht von 10 Metern pro Pixel bis zu 80 Metern, und das Zeitfenster kann so kurz wie ein Monat oder so lange wie ein Jahr sein.
Eine faire Warnung: Die gezeigten Beispiele sind kuratiert. Die Ergebnisse in der Praxis werden je nach Region, Jahreszeit und Qualität der Satellitenabdeckung variieren. Der Mangroven-Genauigkeitswert von 0,84 ist beeindruckend, stammt aber aus einer einzelnen, gut dokumentierten Website. Ihre Landschaft kann ungeordneter sein.
Fazit: Wenn Ihre Arbeit Land, Wälder oder Umweltüberwachung berührt, lohnt es sich, die OlmoEarth-Dokumentation und den technischen Bericht zu bookmarken. Die offenen Gewichte bedeuten, dass Sie kostenlos experimentieren können, bevor Sie entscheiden, ob der verwaltete Studio-Service in Ihr Budget passt.
