OlmoEarth v1.3: Offene Satelliten-Embeddings für den ganzen Planeten

Worum es geht

Das Allen Institute for AI (Ai2) hat OlmoEarth v1.3 veröffentlicht, ein Satelliten-Embedding-Modell. Ein Embedding ist eine kompakte Zahlenfolge (Vektor), die zusammenfasst, was ein Modell über einen Ort „gelernt“ hat. Dazu gibt es vorberechnete jährliche Embeddings für den gesamten Planeten (10 Meter Auflösung, in 64 und 128 Dimensionen) sowie den OlmoEarth Embeddings Explorer, ein Browser-Tool ohne Anmeldung. Die Embeddings liegen auf Source Cooperative.

Warum Embeddings?

Bisher nutzte man OlmoEarth meist per Fine-Tuning in OlmoEarth Studio: Für jede Aufgabe wird ein Modell trainiert und über Satellitenbilder laufen gelassen. Das braucht GPUs und das Herunterladen und Speichern der Bilder. Embeddings sind dagegen wiederverwendbar: Einmal berechnet, genügt ein kleiner Klassifikator darauf, der lokal läuft, um etwa Anbaukarten, Landbedeckung oder Veränderungen zu erstellen.

OlmoEarth v1.3 liest ein Jahr Radar- (Sentinel-1) und Multispektraldaten (Sentinel-2, Landsat) und erzeugt für jeden 10-Meter-Pixel einen 128-dimensionalen Vektor. Intern liest ein Vision Transformer die Daten, ein Attention Pooler fasst sie pro Landstück zusammen, eine lineare Schicht reduziert auf 128 Zahlen.

Ergebnisse

Ai2 verglich mit AlphaEarth Foundations (AEF) und Tessera v2 in 27 Evaluierungen auf sechs Kontinenten. Die 128-D-Embeddings schneiden in 20 von 27 am besten ab, die 64-D-Variante in 18. Neu ist PLANTEUR, ein Benchmark für Anbaupflanzen in tropischer Landwirtschaft; hier generalisieren die Embeddings laut Ai2 am besten auf unbekannte Gebiete. Beispiele: Kleinbauern-Kulturen in Kenia, Ziegelöfen bei Dhaka, Brandschäden in Indonesien, Goldabbau im peruanischen Amazonas. Die Vergleiche stammen von Ai2 selbst.

v1.3 war das bisher günstigste Training: 53 % der Rechenzeit von v1.2 und 18 % von v1, bei 50 % bzw. 22 % der CO₂-Emissionen. Als Fine-Tuning-Modell erreicht es das Niveau von v1.2. Das Pre-Training der Base-Variante würde etwa 2.720 US-Dollar gemietete H100-Zeit kosten.

Beispiel: Goldabbau in Madre de Dios

Im peruanischen Madre de Dios erreichte illegaler Goldabbau um La Pampa 2017 und 2018 seinen Höhepunkt und rodete laut MAAP über 1.200 Hektar in der Pufferzone des Tambopata-Reservats. Im Februar 2019 beendete die Operation Mercurio das meiste davon. Vergleicht man die Vektoren je Pixel zwischen den Jahren, ganz ohne Training, zeigt 2017–2020 die Ausbreitung nach Südosten. 2020–2025 ist dort Ruhe, aber im Nordwesten und in der alten Abbauzone gibt es weiter Veränderung (Erholung, aber auch neues Graben). Laut Associated Press schickte Peru im August 2026 wieder Marinepatrouillen ins Reservat.

Der Embeddings Explorer

Das Tool zeigt die Embeddings als Falschfarbenkarte. Man kann navigieren, Jahre wechseln, Sentinel-2-Bilder zum Abgleich einblenden, ähnliche Orte per Klick suchen oder wenige beschriftete Punkte setzen, einen kleinen Klassifikator trainieren und das Ergebnis als GeoTIFF exportieren. Ein erster Durchlauf dauert Sekunden statt Stunden, ohne GPU.

Das Archiv hat rund 150 TB pro Jahr und deckt Land und küstennahe Gewässer ab. 2023–2025 sind global, 2017–2022 für ausgewählte Länder verfügbar. Für jede 20-km-Kachel und jedes Jahr listen Provenienztabellen die verwendeten Szenen samt Links.

Einordnung

Globale, offene Embeddings senken die Hürde für Umweltmonitoring, Landwirtschaft und Naturschutz deutlich, weil Teams keine eigene Rechen- und Speicherinfrastruktur brauchen. Gegenüber AlphaEarth und Tessera betont Ai2 die Offenheit von Gewichten, Daten und Code. Zu beachten: Die Benchmarkvergleiche stammen vom Hersteller, die Lizenz ist die eigene OlmoEarth Artifact License und nicht eine Standardlizenz wie Apache 2.0, und die Zeitreihen vor 2023 sind nur für einzelne Länder verfügbar. Die Embeddings ersetzen Fine-Tuning nicht in allen Fällen, helfen aber bei der Entscheidung, wo es sich lohnt.

Was du zum Ausprobieren brauchst

Den Explorer nutzt du im Browser ohne Konto, GPU oder Installation. Für eigene Klassifikatoren auf heruntergeladenen Embeddings genügt ein normaler Rechner; beachte, dass das globale Archiv rund 150 TB pro Jahr umfasst, du solltest also nur Ausschnitte laden. Eigene Embeddings zu erzeugen braucht GPU-Leistung; ein Tutorial dazu gibt es laut Quelle.