🌍 От пикселей к плану: Earth AI для восстановления природы
Google Research представила новый векторный датасет Farmscapes, созданный с помощью глубокого обучения. Разработка позволяет выявлять мелкие экологические объекты — живые изгороди, рощи, каменные стены — которые не видны на стандартных спутниковых снимках. Эти элементы играют ключевую роль в связывании углерода и поддержании биоразнообразия, не занимая сельскохозяйственные земли.
Для создания датасета исследователи применили Vision-Transformer (ViT) от Remote Sensing Foundations, предобученный на 300 млн спутниковых изображений. Модель дообучили на размеченных данных (~247 км²) с использованием субметровых снимков и LiDAR. Это позволило различать наземные границы и надземные объекты, а также корректно обрабатывать сложные топологии — например, стену под кроной живой изгороди.
Векторный формат данных даёт возможность не просто видеть пиксели, а получать готовые к использованию геометрические объекты. Это упрощает планирование восстановления экосистем, углеродный учёт и управление ландшафтами. Датасет уже доступен в Google Earth Engine для всей территории Англии.
#AI #GoogleResearch #EarthAI #Restoration #Ecology
Google Research представила новый векторный датасет Farmscapes, созданный с помощью глубокого обучения. Разработка позволяет выявлять мелкие экологические объекты — живые изгороди, рощи, каменные стены — которые не видны на стандартных спутниковых снимках. Эти элементы играют ключевую роль в связывании углерода и поддержании биоразнообразия, не занимая сельскохозяйственные земли.
Для создания датасета исследователи применили Vision-Transformer (ViT) от Remote Sensing Foundations, предобученный на 300 млн спутниковых изображений. Модель дообучили на размеченных данных (~247 км²) с использованием субметровых снимков и LiDAR. Это позволило различать наземные границы и надземные объекты, а также корректно обрабатывать сложные топологии — например, стену под кроной живой изгороди.
Векторный формат данных даёт возможность не просто видеть пиксели, а получать готовые к использованию геометрические объекты. Это упрощает планирование восстановления экосистем, углеродный учёт и управление ландшафтами. Датасет уже доступен в Google Earth Engine для всей территории Англии.
#AI #GoogleResearch #EarthAI #Restoration #Ecology
👍1
Google Research представила экспериментальный Planetary Prediction Engine (PPE) в рамках инициативы Google Earth AI. Система автономно выполняет полный цикл геопространственного моделирования — от поиска данных до обучения моделей — по запросу на естественном языке. Это ускоряет получение прогнозов для продовольственной безопасности, здравоохранения, экологических рисков и социально-экономических задач.
PPE разбивает рабочий процесс на три этапа, каждый управляется LLM. Сначала система переводит запрос в пространственно-временные ограничения и находит ковариаты в Data Commons, Google Earth Engine и открытых правительственных источниках. Затем объединяет данные с эмбеддингами геопространственных фундаментальных моделей — Population Dynamics Foundation Models и AlphaEarth — и применяет строгий «Feature Gate» для защиты от утечки целевой переменной. На финальном этапе PPE перебирает линейные модели, градиентный бустинг и MLP, используя защиту от переобучения с циклом самокоррекции.
Ключевая особенность — модульность: данные между этапами передаются через непрозрачные дескрипторы, а не в промпты LLM, что снимает ограничение контекстного окна. В тестах PPE показал средний R² 76,8% против 60,0% у ручного экспертного пайплайна на 21 индикаторе CDC, а также улучшил прогнозы национальных рисков FEMA. Время построения сложных моделей сокращается с недель до минут, что критично при гуманитарных кризисах.
#AI #Google #EarthAI #GeoAnalysis #AutoML
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1👏1