はじめに
近年、人工知能技術の発展により、地球観測分野においても大きな変革が起きています。本稿では、Googleが2024年に発表したAlphaEarth FoundationsというAIモデルと、その技術を活用したSatellite Embedding datasetについて、Google DeepMindとGoogle Earth Engineが公開した記事をもとに解説します。これらの技術は、衛星データの解析方法を根本的に変える可能性を秘めており、環境保護、農業、都市計画など様々な分野での応用が期待されています。
参考記事
- タイトル：AlphaEarth Foundations helps map our planet in unprecedented detail
- 著者：The AlphaEarth Foundations team
- 発行元：Google DeepMind
- 発行日：2025年7月30日
- URL：https://deepmind.google/discover/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/
- タイトル：AI-powered pixels: Introducing Google’s Satellite Embedding dataset
- 著者：Valerie Pasquarella, Emily Schechter
- 発行元：Google Earth Engine（Medium）
- 発行日：2025年7月30日
- URL：https://medium.com/google-earth/ai-powered-pixels-introducing-googles-satellite-embedding-dataset-31744c1f4650
- タイトル：Google Earth AI: Our state-of-the-art geospatial AI models
- 著者：Chris Phillips, Yossi Matias
- 発行元：Google
- 発行日：2025年7月30日
- URL：https://blog.google/technology/ai/google-earth-ai/
要点
- AlphaEarth Foundationsは、衛星画像、レーダー、気候データなど多様な地球観測データを統合し、10m×10mの精度で地球全体をデジタル表現する革新的なAIモデルである
- 従来のAIシステムと比較して16倍の圧縮率を実現し、24%低いエラー率を達成している
- Satellite Embedding datasetは年間1.4兆個の埋め込み表現を含む世界最大級のデータセットであり、Google Earth Engineで利用可能である
- 類似検索、変化検出、自動クラスタリング、高精度分類など多様な用途に活用でき、従来必要だった膨大な訓練データを大幅に削減できる
- 国連食糧農業機関、ハーバード大学、スタンフォード大学など50以上の組織が実用的な検証に参加している
- Google Earth AIプラットフォームの一部として、洪水予測、山火事検知、気象予報などの機能を提供している
詳細解説
前提知識：地球観測技術の背景と技術的課題
地球観測衛星技術は1970年代のLandsatプログラムから始まり、現在では複数の国や機関が様々な種類の観測衛星を運用しています。主要な衛星シリーズと技術的特徴は以下の通りです：
- Landsat：米国NASAとUSGSが運用する光学観測衛星（16日周期、30m分解能）
- Sentinel-2：欧州宇宙機関（ESA）が運用するマルチスペクトル衛星（5日周期、10m分解能）
- Sentinel-1：同じくESAが運用するC帯SARレーダー衛星（6日周期、雲透過）
- ALOS PALSAR：日本の宇宙航空研究開発機構（JAXA）が運用するL帯レーダー観測衛星
従来、これらの衛星データを効果的に活用するには、複雑な前処理パイプラインが必要でした：
- センサー特性の違い：各衛星の観測波長、分解能、観測角度の正規化
- 大気効果の補正：エアロゾル、水蒸気による散乱・吸収の補正
- 時間的不整合：異なる観測時刻・季節のデータ統合
- 雲・影の処理：品質の悪いピクセルの検出・除外
- 地形補正：起伏による影響の除去
AlphaEarth Foundationsは、自己教師あり学習とマルチモーダル統合により、これらの処理を学習プロセスに組み込むことで、エンドユーザーからこれらの複雑性を完全に隠蔽しています。
AlphaEarth Foundationsの技術革新
AlphaEarth Foundationsは、Google DeepMindが開発した地球観測専用のAIモデルです。このモデルの最大の特徴は、従来では不可能だった多様なデータソースの統合にあります。
現在、地球を観測する衛星は毎日膨大な量のデータを収集していますが、それらのデータは光学画像、レーダー、赤外線、気候データなど形式が異なり、研究者が効果的に活用することが困難でした。AlphaEarth Foundationsは、この課題を解決するため、以下の具体的なデータセットを統合して処理します：
- Sentinel-1 C-Band SAR：雲を透過するC帯レーダー観測データ
- Sentinel-2マルチスペクトル画像：可視光・近赤外線による高分解能観測データ
- Landsat 8/9：マルチスペクトル、パンクロマチック、熱赤外線観測データ
- GEDI Raster Canopy Height metrics：森林キャノピー高度の3D測定データ
- GLO-30 DEM：全球30メートルデジタル標高モデル
- ERA5-Land Reanalysis Monthly Aggregates：月次気候再解析データ
- ALOS PALSAR-2 ScanSAR：日本のL帯レーダー衛星観測データ
- GRACE monthly mass grids：重力変化による地下水・氷河変動データ
- 地理空間テキストラベル：地理的位置に関連付けられた記述データ
このモデルは、全世界500万地点から30億枚以上の個別画像フレームを使用して訓練されており、衛星画像を時系列動画のフレームとして扱うことで、空間、時間、測定モードを横断した学習を実現しています。地球の陸地と沿岸水域を10m×10mの格子に分割し、各格子について64次元の「埋め込み表現」を生成します。
この64次元の埋め込み表現は、従来の光学反射率やレーダー信号とは根本的に異なります。各ピクセルの64個の「バンド」は、64次元球面上の座標を表現しており、地球上の位置を緯度・経度・標高で表現するのと同様に、全64軸が必要となります。各10メートルピクセルの埋め込み表現は、その周辺地域の情報も含む高度にコンパクトかつ意味的に豊富な表現となっており、見た目は似ていても文脈が異なる地域（駐車場の舗装と高速道路の舗装など）を明確に区別できます。
技術的優位性と性能
AlphaEarth Foundationsの技術的優位性は、主に以下の4点にあります：
- データ圧縮効率：従来のAIシステムと比較して、必要な記憶容量を16分の1に削減
- 精度向上：テストした他のモデルと比較して、平均で24%低いエラー率を達成
- 時間的一貫性：同一地点の経年変化を正確に追跡可能
- 前処理作業の完全不要化：従来必須だった複雑な前処理を完全に排除
特にエンジニアにとって重要なのは、従来の衛星データ解析で必須だった以下の前処理作業が完全に不要になることです：
- 大気補正：大気の影響による画像の歪み補正
- 雲マスキング：雲に覆われた領域の除外処理
- スペクトル変換：異なるセンサー間のスペクトル特性の正規化
- スペックルフィルタリング：レーダー画像のノイズ除去
- ハーモニックフィット：時系列データの季節変動モデリング
このAnalysis-Ready Dataの提供により、開発者は複雑なデータ処理パイプラインの構築から解放され、アプリケーション開発に集中できます。
特に重要なのは、このモデルが自己教師あり学習という手法を採用していることです。これは、人間がラベル付けした訓練データを必要とせず、データ自体から特徴を学習する手法で、膨大な地球観測データを効率的に活用できます。
Satellite Embedding datasetの実用性
AlphaEarth Foundationsが生成する埋め込み表現は、Satellite Embedding datasetとしてGoogle Earth Engineで公開されています。このデータセットの規模は年間1.4兆個の埋め込み表現という世界最大級のもので、2017年まで遡って利用可能です。
このデータセットの実用的な活用方法は多岐にわたり、具体的な実装方法も提供されています：
類似検索機能：
地球上の任意の地点を選択すると、似た環境条件を持つ他の地域を瞬時に特定できます。技術的には、単純なドット積計算を使用して埋め込みベクトル間の類似度を計算し、効率的な検索を実現します。例えば、特定の農地タイプを選択すると、世界中の類似した農地を自動的に発見できます。
変化検出機能：
同一地点の異なる年度の埋め込み表現を比較することで、都市拡大、山火事の影響、貯水池の水位変動などを効率的に監視できます。技術的には、年次埋め込みベクトル間の角度計算により長期安定性と急激な変化を監視できます。
自動クラスタリング：
事前のラベルデータなしに、ee.Clustererアルゴリズム（特にkMeans）を使用して地表の特徴に基づいて自動的に地域を分類できます。従来の3チャンネルRGB可視化とは異なり、全64次元の埋め込み空間を同時に活用してパターンを可視化できます。
高精度分類：
従来数万点必要だった訓練データを数百点程度に削減しながら、同等以上の精度でマッピングが可能です。具体的には、87の作物・土地被覆クラスを1クラスあたり150サンプルで分類可能という驚異的な効率性を実現しています。Satellite EmbeddingsはkNNやRandom Forestなどの木ベース分類アルゴリズムとの親和性が特に高く設計されています。
データ提供形式とインフラ技術
技術的な観点から重要なのは、Satellite Embedding datasetのデータ提供形式です：
- UTMゾーン投影：データは各地域の現地UTMゾーンで投影されたタイルとして提供され、追加の投影変換が不要
- ギャップフリー・ウォールトゥウォール：欠損のない完全なカバレッジを提供
- Earth Engine Image Collection：標準的なEarth Engine APIと完全互換
- 64バンド構造：各ピクセルが64次元ベクトルとして格納
このデータセットは、Google Earth Engineのbuilt-in machine learning classifiersと直接統合されており、ee.Classifierを使用してラベル付き地点の埋め込みベクトルをサンプリングし、訓練した分類器を大規模に適用してマップタイルを生成できます。既存の分類ワークフローにおいて、生画像入力や従来の工学的特徴量（コンポジット、集約統計）の代替として埋め込みを使用できます。
Global Ecosystems Atlasプロジェクトでは、世界初の包括的な生態系マッピングと監視のため、このデータセットを活用しています。各国が未分類の生態系を沿岸低木地や超乾燥砂漠などのカテゴリに分類し、保護地域の優先順位付けや生物多様性保護に役立てています。
ブラジルのMapBiomasプロジェクトでは、アマゾン熱帯雨林を含む国内の農業・環境変化をより深く理解するためにデータセットをテストしています。MapBiomas創設者のTasso Azevedo氏は「Satellite Embedding datasetはより正確で精密、かつ迅速な地図作成を可能にし、これまで不可能だったことを実現する」と評価しています。
研究促進への取り組み
Googleは、このSatellite Embedding datasetの活用を促進するため、研究者向けの小規模助成金制度（最大5,000米ドル）を設けています。この助成金は、Satellite Embeddingの用途に関する科学的研究と論文発表を加速することを目的としており、数ヶ月間にわたって申請を受け付けています。これにより、学術機関や研究者がより積極的にこの技術を活用し、新しい発見や応用を生み出すことが期待されています。
Google Earth AIエコシステム
AlphaEarth Foundationsは、Googleが推進するGoogle Earth AIプラットフォームの中核技術の一つです。Google Earth AIには他にも以下のような機能が含まれています：
- 詳細気象予測：アフリカ全域でのAI駆動天気予報
- 洪水予測：グローバルな洪水警報システム
- 山火事検知：ヨーロッパとアフリカでの山火事境界マッピング
- 都市計画支援：人口動態や都市移動の分析
これらの機能は既に数百万人が利用するGoogle SearchやGoogle Mapsの洪水・山火事警報として実装されており、実社会での価値を証明しています。
技術的課題と限界、今後の発展
現在のAlphaEarth Foundationsには以下の技術的制約があります：
対象領域の限定：
現在の対象範囲は陸地と沿岸水域に限定されており、深海域は含まれていません。また、極地域では衛星観測の不規則性により品質が制限される場合があります。
時間分解能：
現在は年単位の埋め込み表現のみ提供されていますが、将来的には月次や週次など、より高頻度の更新が検討されています。
次世代統合の展望：
GoogleはAlphaEarth FoundationsとGeminiのような大規模言語モデル（LLM）との統合を探索しています。これにより、自然言語クエリによる地理空間検索や、時系列解析の自動化などが可能になる可能性があります。
スケーラビリティ：
現在のシステムはGoogle Earth Engineのインフラに依存しており、大規模な商用利用には使用量制限や課金体系を考慮する必要があります。
カスタマイズ性：
事前訓練された埋め込みは汎用的ですが、特定のドメイン（例：特定地域の農業、災害監視）に特化したファインチューニングは現在提供されていません。
これらの制約にも関わらず、現在提供されている機能だけでも、従来の地球観測データ処理に比べて大幅な効率化と精度向上を実現しており、多くの実用的アプリケーションで immediate value を提供できます。
まとめ
2025年7月に発表されたGoogleのAlphaEarth FoundationsとSatellite Embedding datasetは、地球観測分野における重要な技術革新です。これらの技術により、従来では困難だった多様な衛星データの統合活用が可能になり、環境監視、農業、災害対応などの分野で大きな進歩が期待されます。
特に注目すべきは、データ処理の民主化です。従来は高度な専門知識と計算資源が必要だった衛星データ解析が、Google Earth Engineのプラットフォーム上で比較的簡単に実行できるようになりました。これにより、研究機関だけでなく、NGOや小規模な組織でも高度な地球観測技術を活用できる可能性が広がります。
日本においても、災害多発国としての防災・減災、農業の効率化、環境保護など様々な分野でこれらの技術の活用が期待されます。また、Googleが提供する研究助成金制度により、日本の研究機関でもこの技術を活用した研究が促進される可能性があります。今後は、日本の研究機関や企業がこの技術をどのように活用し、独自の価値を創出していくかが注目されます。
