[AI] Google Alpha Earth (Google DeepMind)

teddy bear 2026. 7. 3. 00:37

🌍 Google AlphaEarth Foundations

가상 위성(Virtual Satellite)으로 지구 전체를 64차원에 압축하다

Google DeepMindEarth Engine10m 해상도64D EmbeddingCC-BY 4.0

한 줄 요약
매일 쏟아지는 페타바이트급 다중 센서 지구 관측 데이터를 AI가 통합·압축하여,
지구 육상·연안의 모든 10m 픽셀을 64차원 임베딩 벡터로 표현하는
Google DeepMind의 지리공간 기반 모델(Foundation Model).

📌 명칭 안내
공식 명칭은 AlphaEarth Foundations (알파어스 파운데이션)입니다.
Google Earth AI 생태계의 핵심 구성 요소이며, 2025년 7월 30일 공개되었습니다.

1. 왜 AlphaEarth인가? — 배경과 문제의식

1.1 지구 관측 데이터의 역설

위성, 레이더, LiDAR, 기후 시뮬레이션 등 지구 관측(Earth Observation, EO) 데이터는 그 어느 때보다 풍부합니다. 그러나 과학자·정책 입안자·개발자가 직면하는 현실은 다음과 같습니다.

문제설명

데이터 과부하	광학·레이더·열적·3D·기후 등 수십 개의 이질적 데이터 소스가 동시에 존재
불일치(Inconsistency)	센서마다 해상도·재방문 주기·구름·결측 패턴이 달라 통합 분석이 어려움
라벨 부족	고품질 지상 실측·현장 관측 데이터는 희소하고 비용이 큼
전처리 부담	대기 보정, 구름 마스킹, 스펙클 필터링, 합성 영상 생성 등 파이프라인이 복잡
컴pute 비용	딥러닝 추론을 글로벌 스케일로 돌리려면 고성능 GPU 클러스터 필요

💡 AlphaEarth의 핵심 가치 제안
"원시 위성 영상을 직접 다루는 대신, 이미 AI가 추출한 분석 준비(analysis-ready) 임베딩을 사용하라."

1.2 가상 위성(Virtual Satellite) 개념

AlphaEarth Foundations는 공식적으로 **"가상 위성처럼 동작하는 AI 모델"**로 소개됩니다.

┌─────────────────────────────────────────────────────────────────┐
│  기존 방식                                                         │
│  ─────────                                                        │
│  Landsat + Sentinel-1 + Sentinel-2 + GEDI + DEM + Climate + …   │
│       ↓ (각각 전처리)                                              │
│  Feature Engineering (NDVI, Harmonic Fit, Texture, …)             │
│       ↓ (모델 학습·추론)                                           │
│  분류 / 변화탐지 / 회귀 맵                                         │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│  AlphaEarth 방식                                                   │
│  ───────────────                                                   │
│  [다중 센서 + 시공간 컨텍스트] ──→ AlphaEarth Foundations          │
│       ↓ (Google이 글로벌 스케일로 사전 계산)                       │
│  64D Satellite Embedding (연간, 10m)                              │
│       ↓ (경량 ML: Random Forest, kNN, Clustering)                 │
│  분류 / 변화탐지 / 회귀 맵  ← GPU 클러스터 불필요                    │
└─────────────────────────────────────────────────────────────────┘

2. Google Earth AI 생태계에서의 위치

2025년 7월, Google은 Google Earth AI를 공식 발표했습니다. AlphaEarth Foundations는 이 생태계의 기반 표현 학습(Foundation Representation) 계층을 담당합니다.

graph TB
    subgraph "Google Earth AI"
        AEF["AlphaEarth Foundations<br/>(지표면 임베딩 · 매핑 · 모니터링)"]
        Weather["기상 예측 모델"]
        Flood["홍수 예보"]
        Wildfire["산불 탐지"]
        Urban["도시계획 · 인구 · 이동성"]
    end

    subgraph "서비스 레이어"
        Maps["Google Maps · Search 알림"]
        Earth["Google Earth"]
        GMP["Google Maps Platform"]
        GCP["Google Cloud"]
        GEE["Earth Engine API"]
    end

    AEF --> GEE
    AEF --> GCP
    Weather --> Maps
    Flood --> Maps
    Wildfire --> Maps
    Urban --> GMP

    style AEF fill:#4285F4,color:#fff,stroke:#1a73e8
    style GEE fill:#34A853,color:#fff

구성 요소역할

AlphaEarth Foundations	다중 센서 EO 데이터 → 64D 임베딩 필드 생성
Satellite Embedding Dataset	AEF 출력물을 Earth Engine ImageCollection으로 제공
Geospatial Reasoning	LLM 기반 지리공간 추론 (Gemini 연계)
재난·기후 모델	홍수, 산불, 기상 등 실시간/예측 서비스

3. 핵심 개념 — Embedding Field Model

3.1 Embedding이란?

일반적인 위성 영상에서 각 밴드(Band)는 물리적 측정값(예: 적외선 반사율)에 대응합니다.
AlphaEarth의 임베딩은 이와 근본적으로 다릅니다.

비교전통적 스펙트럼 밴드AlphaEarth Embedding

의미	물리적 측정 (반사율, 후방산란 등)	학습된 추상적 특징 좌표
차원	센서별 3~13 밴드	64차원 (모든 축 필요)
해석	NDVI 등 지수로 직접 해석 가능	개별 축은 독립적으로 해석 불가
정보 밀도	단일 시점·단일 모달리티	다중 센서·시간 궤적·주변 공간 통합

🌐 비유
위도·경도·고도 3개 값으로 지구 표면의 한 점을 특정하듯,
64개 축(A00~A63)이 **임베딩 공간 상의 하나의 "좌표"**를 정의합니다.

3.2 Embedding Field (임베딩 필드)

AlphaEarth는 Embedding Field Model로 설계되었습니다.

지구 육상·얕은 연안의 모든 10m × 10m 픽셀마다 64D 벡터를 할당
연간(Annual) 단위로 1년간의 시공간 궤적을 하나의 벡터로 요약
공간적으로 주변 픽셀의 맥락까지 포함 (동일한 아스팔트도 맥락에 따라 다른 임베딩)

3.3 Self-Supervised Learning (자기지도 학습)

수동 라벨 없이 3B+ 이미지 프레임, 500만+ 글로벌 위치에서 학습:

특정 위치의 위성 영상 시퀀스를 **"비디오 프레임"**처럼 취급
시간·공간·측정 모드(mode)에 걸친 비균일 샘플링 프레임을 입력
임의 시점·위치를 연속적으로 인덱싱할 수 있는 표현 학습
NLCD, CDL 등 일부 라벨 데이터셋을 보조 타겟으로 활용 (v2.1)

4. 기술 아키텍처

4.1 전체 파이프라인

flowchart LR
    subgraph Input["다중 입력 소스"]
        S1["Sentinel-1 SAR"]
        S2["Sentinel-2 Optical"]
        LS["Landsat 8/9"]
        GEDI["GEDI Canopy"]
        DEM["GLO-30 DEM"]
        CL["ERA5-Land Climate"]
        PAL["ALOS PALSAR-2"]
        GR["GRACE Gravity"]
        TXT["Geo-temporal Text"]
    end

    subgraph Model["AlphaEarth Foundations v2.1"]
        SS["Self-Supervised<br/>Video Sequence Learning"]
        EF["Embedding Field<br/>Generator"]
    end

    subgraph Output["출력"]
        SE["Satellite Embedding<br/>64 bands × 10m"]
        GEE["Earth Engine<br/>ImageCollection"]
        GCS["GCS COG<br/>gs://alphaearth_foundations"]
    end

    Input --> SS --> EF --> SE
    SE --> GEE
    SE --> GCS

    style Model fill:#EA4335,color:#fff
    style Output fill:#34A853,color:#fff

4.2 시간 모델링 — Video Sequence 접근

AlphaEarth의 핵심 혁신 중 하나는 시간 축을 비디오로 모델링하는 것입니다.

Location X의 1년간 관측:
  t₁ (Sentinel-2, 맑음)  ─┐
  t₂ (Sentinel-1, 구름)   ─┤
  t₃ (Landsat, 부분 구름)  ─┼─→ [AlphaEarth] ──→ 64D Annual Embedding
  t₄ (Sentinel-2, 맑음)   ─┤
  …                      ─┘

• 비균일 샘플링: 센서 재방문 주기가 다르므로 프레임 간격이 불균일
• 연속 시간 인덱싱: 임의 시점의 표면 상태를 추론 가능한 구조
• 계절성 보존: 식생 phenology, 적설, 농작물 순환 등 within-year dynamics 포함

4.3 저장 효율성

Google DeepMind에 따르면, AlphaEarth 임베딩은 테스트한 다른 AI 시스템 대비 16배 적은 저장 공간으로 동급 이상의 정보를 담습니다. 이는 행성 규模(planetary-scale) 분석 비용을 획기적으로 낮춥니다.

5. 입력 데이터 — 무엇을 학습했는가

AlphaEarth Foundations v2.1은 Earth Engine Data Catalog의 다양한 공개 데이터를 통합 학습합니다.

데이터 소스유형역할

Sentinel-1	C-Band SAR	구름 투과, 구조 정보
Sentinel-2	Multi-spectral Optical	고해상도 다중분광
Landsat 8/9	Optical + Thermal + Pan	장기 시계열, 열적 정보
GEDI	LiDAR Raster	수관 높이(canopy height)
GLO-30 DEM	Elevation Model	지형·수문 정보
ERA5-Land	Climate Reanalysis	월별 기후·토양 수분
ALOS PALSAR-2	ScanSAR	L-band 레이더
GRACE	Gravity Mass Grid	지하수·冰질량 변화
Text Labels	Geo-temporal Text	의미적·맥락 정보

📊 학습 규모 (v2.0 → v2.1)

v2.0: 8.4M+ 비디오 시퀀스

v2.1: 10.1M+ 시퀀스 (남극 추가 샘플 포함)

개별 이미지 프레임: 30억+

6. Satellite Embedding 데이터셋 상세

6.1 스펙 요약

항목값

Earth Engine ID	GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL
해상도	10m × 10m (100 m² / pixel)
차원	64 (밴드 A00 ~ A63)
시간 범위	2017 ~ 2025 (연간 레이어)
커버리지	지구 육상 + 얕은 연안 (극지는 제한적)
타일 크기	약 163,840m × 163,840m / image
좌표계	타일별 로컬 UTM (UTM_ZONE 속성)
연간 임베딩 수	1.4조+ footprint / year
모델 버전	AlphaEarth Foundations v2.1
라이선스	CC-BY 4.0

6.2 Image Properties

Property설명

MODEL_VERSION	임베딩 생성에 사용된 모델 버전
PROCESSING_SOFTWARE_VERSION	후처리 소프트웨어 버전
UTM_ZONE	해당 타일의 UTM 존
DATASET_VERSION	데이터셋 버전 (현재 1.1)
system:time_start/end	요약 대상 연도 (예: 2024 → 2024-01-01 ~ 2025-01-01)

6.3 v2.1 주요 개선사항

변경내용

남극 데이터	이전에 제외되었던 남극 샘플 대량 추가
CDL 타겟	USDA NASS Cropland Data Layer 추가
Loss 가중치	NLCD/CDL 가중치 0.50 → 0.25 조정
아티팩트	센서 swath·타일링 관련 시각적 아티팩트 완화

7. 임베딩 공간의 수학적 특성

AlphaEarth 임베딩은 단순 feature vector가 아니라 잘 설계된 기하학적 공간입니다.

7.1 Unit-Length (단위 길이)

모든 임베딩 벡터의 크기(magnitude) = 1
→ 추가 정규화 불필요, 64차원 단위 구(unit hypersphere) 위의 점

7.2 Dot Product = Cosine Similarity

두 벡터 모두 단위 길이이므로:

similarity(A, B) = A · B = cos(θ)

  θ ≈ 0°   → similarity ≈ 1.0  (매우 유사)
  θ ≈ 90°  → similarity ≈ 0.0  (무관)
  θ ≈ 180° → similarity ≈ -1.0 (정반대)

7.3 Temporal Consistency (시간적 일관성)

안정적인 지표면: 연도가 달라도 임베딩이 유사
변화 발생: 연도 간 임베딩 각도(또는 dot product)가 크게 변함
변화탐지: 1 - dotProd 또는 각도 차이로 간단히 구현

7.4 Linear Composability (선형 결합 가능)

공간 집계: 여러 픽셀 임베딩을 합산·평균하여 더 거친 해상도 표현 생성
벡터 산술: embedding(도시) - embedding(교외) + embedding(농촌) 같은 연산 가능
의미적 거리 관계가 aggregation 후에도 보존

7.5 64D → RGB 시각화

3개 축을 R, G, B에 매핑하여 시각화 (예: A01, A16, A09):

var visParams = {min: -0.3, max: 0.3, bands: ['A01', 'A16', 'A09']};
Map.addLayer(embeddingImage, visParams, 'Embedding RGB');

⚠️ RGB 시각화는 탐색용이며, 분석 시에는 64개 밴드 전체를 사용해야 합니다.

8. 주요 활용 시나리오

8.1 유사도 검색 (Similarity Search)

"이 위치와 비슷한 곳을 전 세계에서 찾기"

앵커 픽셀 (예: 맨하탄 도심) → embedding_vector
전 지구 dot product 계산 → similarity map

농업: 특정 작물 패턴과 유사한 필지 탐색
생태: 특정 생태계 유형의 글로벌 분포 매핑
도시: 유사한 개발 밀도·토지 이용 패턴 식별

8.2 변화 탐지 (Change Detection)

연도 간 임베딩 비교로 지표 변화 모니터링

변화 유형관측 예시

도시 확장	교외 주택 단지 신규 개발
산불	화재 흉터 + 회복 과정
수자원	저수지 수위 변동 (가뭄 ↔ 풍년)
농업	작물 순환, fallow(휴경) 차이
대규모 건설	공항, 댐 등 mega-project

실제 사례 (2024 → 2025 비교):

이집트 대에티오피아 르네상스 대댐 수위 변화
인도 나비 뭄바이 국제공항 신규 건설

8.3 비지도 클러스터링 (Unsupervised Clustering)

라벨 없이 ee.Clusterer (k-Means 등)로:

산림 유형, 토양, 도시 개발 패턴 자동 분할
64D 전체를 활용하므로 RGB 시각화보다 풍부한 패턴 발견
Coarse → Fine 클러스터링으로 계층적 탐색

8.4 지도 학습 분류 (Supervised Classification)

적은 라벨로 높은 정확도:

작업기존 방식Satellite Embedding

USDA CDL 87 클래스	수만 개 라벨 필요	클래스당 150개 샘플로 proxy 가능
맹그로브 매핑	복잡한 전처리 + 대량 라벨	임베딩 + Random Forest
AGB(Above Ground Biomass) 회귀	다중 지수 + 회귀	임베딩 + ee.Classifier

8.5 회귀 (Regression)

임베딩을 연속 변수 예측 feature로 사용:

생물량(AGB), 수관 높이, 토양 수분 등
Earth Engine 내장 ee.Classifier 또는 외부 ML 파이프라인과 연계

9. 실전 코드 — Earth Engine API

9.1 기본 로드 및 시각화

// Satellite Embedding ImageCollection 로드
var dataset = ee.ImageCollection('GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL');

var point = ee.Geometry.Point(-121.8036, 39.0372);

// 2023, 2024 연간 임베딩 추출
var emb2023 = dataset
    .filterDate('2023-01-01', '2024-01-01')
    .filterBounds(point)
    .first();

var emb2024 = dataset
    .filterDate('2024-01-01', '2025-01-01')
    .filterBounds(point)
    .first();

// 3축 RGB 시각화
var visParams = {min: -0.3, max: 0.3, bands: ['A01', 'A16', 'A09']};
Map.addLayer(emb2023, visParams, '2023 Embeddings');
Map.addLayer(emb2024, visParams, '2024 Embeddings');
Map.centerObject(point, 12);

9.2 변화 탐지 — Dot Product

// 단위 벡터 dot product = cosine similarity
var similarity = emb2023
    .multiply(emb2024)
    .reduce(ee.Reducer.sum());

// 밝을수록 덜 유사 (= 변화 큼)
Map.addLayer(
  similarity,
  {min: 0, max: 1, palette: ['white', 'black']},
  'Year-over-Year Similarity'
);

9.3 유사도 검색 — 글로벌

// 앵커 포인트 임베딩
var anchor = dataset
    .filterDate('2024-01-01', '2025-01-01')
    .filterBounds(anchorPoint)
    .first();

// 글로벌 similarity map
var globalSimilarity = dataset
    .filterDate('2024-01-01', '2025-01-01')
    .mosaic()
    .multiply(anchor)
    .reduce(ee.Reducer.sum());

Map.addLayer(globalSimilarity, {min: 0.5, max: 1.0}, 'Similar to Anchor');

9.4 지도 학습 분류

// 라벨 FeatureCollection에서 임베딩 샘플링
var training = embeddingImage.sampleRegions({
  collection: labeledPoints,
  properties: ['class'],
  scale: 10
});

// Random Forest 분류기 학습
var classifier = ee.Classifier.smileRandomForest(100)
    .train({features: training, classProperty: 'class'});

// 전체 영역 분류
var classified = embeddingImage.classify(classifier);
Map.addLayer(classified, {min: 0, max: 10}, 'Classification');

9.5 GCS에서 직접 접근 (COG)

# 버킷: gs://alphaearth_foundations
# 경로: satellite_embedding/v1/annual/
# 형식: Cloud Optimized GeoTIFF (COG)
# 인덱스: aef_index.parquet / .gpkg / .csv

# ⚠️ Requester Pays 버킷 — 데이터 검색·송출 비용 발생

10. 성능 평가와 벤치마크

arXiv 논문 (Brown et al., 2025) 에 따른 핵심 결과:

평가 항목결과

벤치마크 대비	테스트한 모든 featurization 방법 대비 일관되게 최고 성능
재학습 없음	Fine-tuning 없이 downstream task에 즉시 적용
라벨 효율	희소 라벨(sparse label) 환경에서 우수한 학습 효율
평균 오류율	비교 모델 대비 24% 낮은 error rate
태스크 범위	주제 분류, 생물물리 변수 회귀, 변화탐지 등 다양한 매핑 태스크

10.1 평가 태스크 유형

┌──────────────────┬────────────────────────────────────────┐
│ Thematic         │ 토지 피복, 작물 유형, 생태계 분류       │
│ Classification   │                                        │
├──────────────────┼────────────────────────────────────────┤
│ Biophysical      │ AGB, 수관 높이, 토양 변수 회귀         │
│ Regression       │                                        │
├──────────────────┼────────────────────────────────────────┤
│ Change           │ 연도 간 변화, 안정성 모니터링           │
│ Detection        │                                        │
└──────────────────┴────────────────────────────────────────┘

11. 실제 적용 사례

Google DeepMind는 50+ 기관과 파일럿을 진행했으며, 다음과 같은 성과가 보고되었습니다.

기관활용 분야성과

UN FAO / Global Ecosystems Atlas	미매핑 생태계 분류	해안 관목지, 극건조 사막 등 국가 단위 생태계 매핑
MapBiomas (브라질)	아마존 농업·환경 변화	더 정확·신속한 국토 변화 맵
Harvard Forest	산림 생태 연구	임베딩 기반 생태계 모니터링
Stanford University	학술 연구	다양한 매핑·모니터링 워크플로
Oregon State University	토지 이용 연구	시계열 분석 가속
Spatial Informatics Group	공간 정보 분석	분류·변화탐지 파이프라인 단순화
Group on Earth Observations	글로벌 EO 협력	표준화된 분석 기반 제공

🗣️ MapBiomas 창립자 Tasso Azevedo
"Satellite Embedding dataset은 우리 팀의 작업 방식을 변화시킬 수 있다 —
이전에는 불가능했던 더 정확하고, 정밀하며, 빠른 맵 제작이 가능해졌다."

12. 데이터 접근 · 라이선스 · 버전

12.1 접근 경로

경로설명비용

Earth Engine Code Editor	ee.ImageCollection('GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL')	EE 사용량 기반
Earth Engine Python API	ee 패키지로 동일 접근	EE 사용량 기반
GCS COG	gs://alphaearth_foundations	Requester Pays
Interactive Demo	유사도 검색 데모 앱	무료

12.2 라이선스 및 인용

라이선스: Creative Commons CC-BY 4.0

필수 Attribution:

"The AlphaEarth Foundations Satellite Embedding dataset is produced by Google and Google DeepMind."

학술 인용 (BibTeX):

@article{brown2025alphaearth,
  title={AlphaEarth Foundations: An embedding field model for accurate
         and efficient global mapping from sparse label data},
  author={Brown, Christopher F. and Kazmierski, Michal R. and
          Pasquarella, Valerie J. and others},
  journal={arXiv preprint arXiv:2507.22291},
  year={2025},
  doi={10.48550/arXiv.2507.22291}
}

12.3 버전 이력

날짜버전변경

2025-07-30	v1.0	최초 공개 (2017–2024)
2025-09-30	—	연구 Grant 프로그램 (마감)
2025-11-17	v1.1	2017 레이어 재생성 (Sentinel-1 추가), 2025 레이어 추가

📅 Google은 연간 Satellite Embedding 레이어 지속 생산을 약속하며,
배송 변경 시 최소 1년 전 사전 공지 (USGS·ESA 데이터 가용성 전제).

13. 한계와 주의사항

13.1 기술적 한계

한계설명

극지 커버리지	위성 궤도·센서 커버리지로 인해 극지역 제한
해상도	10m — sub-meter 분석에는 부적합
시간 해상도	연간 요약 — 일·월 단위 변화는 직접 포착 불가
해석 가능성	64D 축은 물리적 의미가 없음 — black-box feature
Swath 아티팩트	v2.1에서 완화되었으나 대규模 swath 잔존 가능

13.2 사용 시 주의

✅ DO                                    ❌ DON'T
─────────────────────────────────────────────────────────────
64개 밴드(A00~A63) 모두 사용             개별 밴드만 선택해 해석
dot product로 유사도/변화탐지             magnitude 재정규화
Earth Engine 내장 Classifier 활용         원시 영상 전처리 파이프라인 중복
연도 간 동일 embedding space 가정          서로 다른 모델 버전 간 직접 비교
CC-BY 4.0 attribution 포함               출처 미표기

13.3 GIS 프론트엔드 개발자 관점

현재 CHDT 같은 3D GIS 웹 프론트엔드와의 직접 통합은 Earth Engine API 또는 타일 서버(WMS/WMTS) 경유가 일반적입니다.

flowchart LR
    AEF["AlphaEarth Embeddings"] --> GEE["Earth Engine"]
    GEE --> Export["Map Tiles / GeoJSON Export"]
    Export --> Cesium["Cesium / Leaflet / Mapbox"]
    Export --> Backend["Backend GIS API"]
    Backend --> Frontend["Web Frontend"]

실시간 추론이 아닌 사전 계산된 임베딩 활용
대규모 dot product 연산은 서버 사이드(EE/GCP) 에서 수행 권장
프론트엔드에는 분류/변화탐지 결과 타일만 전달하는 패턴이 효율적

14. 미래 전망 — Gemini와의 결합

Google DeepMind는 AlphaEarth의 시간 기반 역량을 Gemini 같은 LLM 에이전트와 결합할 가능성을 언급했습니다.

방향설명

Geospatial Reasoning	"이 지역 5년간 산림 변화 원인은?" → LLM + 임베딩 분석
Natural Language → Map	자연어 쿼리로 맞춤형 지도 생성
Multi-modal Agent	위성 임베딩 + 기상 + 인구 + 텍스트 통합 추론
Automated Monitoring	LLM 기반 이상 탐지·보고서 자동 생성

graph LR
    User["사용자 자연어 질의"] --> Gemini["Gemini Agent"]
    Gemini --> AEF["AlphaEarth Embeddings"]
    Gemini --> Weather["기상 데이터"]
    Gemini --> Maps["Maps/Population"]
    AEF --> Answer["지리공간 분석 결과"]
    Weather --> Answer
    Maps --> Answer
    Answer --> User

15. 학습 리소스 · 참고 자료

15.1 공식 문서

리소스URL

Google DeepMind 블로그	https://deepmind.google/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/
Google Earth AI 발표	https://blog.google/innovation-and-ai/products/google-earth-ai/
Earth Engine Data Catalog	https://developers.google.com/earth-engine/datasets/catalog/GOOGLE_SATELLITE_EMBEDDING_V1_ANNUAL
GCS README	https://developers.google.com/earth-engine/guides/aef_on_gcs_readme
arXiv 논문	https://arxiv.org/abs/2507.22291

15.2 튜토리얼 (Earth Engine)

튜토리얼내용

Introduction to Satellite Embedding	데이터셋 기본 탐색
Similarity Search	dot product 기반 유사도 검색
Unsupervised Classification	k-Means 클러스터링
Supervised Classification — Mangroves	지도 학습 분류
Regression — AGB	생물량 회귀
YouTube: GeoAI in Earth Engine	핸즈온 세션 (1시간+)

15.3 관련 키워드 사전

용어설명

Foundation Model	특정 도메인의 범용 기반 모델 (GPT, AlphaEarth 등)
Embedding	고차원 데이터를 저차원 밀집 벡터로 압축한 표현
EO (Earth Observation)	지구 관측 — 위성·항공 등 원격탐사
SAR	Synthetic Aperture Radar — 전파 기반 레이더
COG	Cloud Optimized GeoTIFF — 클라우드 친화적 래스터 형식
Featurization	원시 데이터 → ML feature 변환 과정
Sparse Labels	전체 공간 대비 라벨이 매우 적은 상황

🧭 핵심 Takeaway

#기억할 것

1	AlphaEarth = 다중 센서 EO → 64D 임베딩 Foundation Model
2	Satellite Embedding = 분석 준비 완료 연간 10m 글로벌 데이터셋
3	GPU 없이 Earth Engine ML로 분류·변화탐지·유사도 검색 가능
4	적은 라벨로 높은 정확도 — 희소 라벨 환경의 게임 체인저
5	Google Earth AI 생태계의 표현 학습 계층 — Gemini 결합이 다음 단계

"Every 10-meter pixel on Earth, summarized by AI."

📅 문서 작성일: 2026-07-14 📚 기반 자료: Google DeepMind, Google Earth Engine, arXiv:2507.22291 (2025)

'AI' 카테고리의 다른 글

[AI] Spring AI로 임베딩과 RAG 구현 (0)	2026.07.13
[AI] MLOps 학습하기 (0)	2026.07.02

현재글[AI] Google Alpha Earth (Google DeepMind)

코딩하는 곰돌이

코드 맛집

Redux, errorBoundary, react, typescript, usetransition, 비동기,

Today :
Yesterday :

« 2026/07 »
일	월	화	수	목	금	토
			1	2	3	4
5	6	7	8	9	10	11
12	13	14	15	16	17	18
19	20	21	22	23	24	25
26	27	28	29	30	31