Ai2 veröffentlicht OlmoEarth v1.3 mit offenen Satelliten-Embeddings für den ganzen Planeten

Vom Fine-Tuning zu fertigen Embeddings

Bislang lief die Nutzung von OlmoEarth vor allem über Fine-Tuning in OlmoEarth Studio: Für jede Aufgabe wird ein Modell trainiert und über Satellitenbilder laufen gelassen, um eine Karte zu erzeugen. Das setzt laut Ai2 den Zugang zu GPUs sowie die Möglichkeit voraus, die Bilddaten herunterzuladen und zu speichern.

Embedding-Modelle gehen einen anderen Weg. Sie verdichten Satellitendaten zu sofort nutzbaren Merkmalen, die sich günstig für viele Aufgaben wiederverwenden lassen. OlmoEarth v1.3 liest die Zeitreihen eines Jahres aus Radar- (Sentinel-1) und Multispektraldaten (Sentinel-2 und Landsat) und erzeugt für jeden 10-Meter-Pixel der Erde einen 128-dimensionalen Vektor. Die ersten 64 Dimensionen funktionieren auch allein als kleineres Embedding.

Ai2 hat die Embeddings für den gesamten Planeten berechnet und auf Source Cooperative bereitgestellt. Damit wird eine Anbaukarte, eine Landbedeckungskarte oder eine Veränderungsanalyse zu einer schlanken Aufgabe: Man trainiert einen kleinen Klassifikator auf den Embeddings und führt ihn lokal aus.

Benchmark-Ergebnisse und Trainingsaufwand

Ai2 hat die Embeddings in 27 Evaluierungen auf sechs Kontinenten mit AlphaEarth Foundations (AEF) und Tessera v2 verglichen. Laut Ai2 erzielen die 128-dimensionalen Embeddings in 20 von 27 Evals den Spitzenwert und liegen insgesamt vorn, während die 64-dimensionale Version bei halber Größe immer noch in 18 von 27 führt. Das Team stellte zudem PLANTEUR vor, einen neuen Benchmark für Anbaukulturen in tropischen Regionen, und sagt, die Embeddings ließen sich am besten auf Orte übertragen, die ein Klassifikator noch nie gesehen hat.

Modellgewichte, Pretraining-Daten und Pretraining-Code sind offen. Ai2 nennt Beispiele, was ein kleiner Klassifikator auf den Embeddings leisten kann: Kleinbauernkulturen in Kenia klassifizieren, Ziegelöfen westlich von Dhaka erkennen, Brandschäden in Indonesien bewerten und den Goldabbau im peruanischen Amazonasgebiet verfolgen.

Außerdem berichtet Ai2, v1.3 sei das günstigste OlmoEarth-Modell im Training gewesen. Es benötigte 53 % der Rechenzeit von v1.2 und 18 % von v1, bei 50 % beziehungsweise 22 % der CO₂-Emissionen. Als Fine-Tuning-Modell bleibt es stark und erreicht über Forschungs- und Partner-Labels hinweg die Leistung von v1.2. Das Pretraining von OlmoEarth v1.3 Base nachzubauen, würde laut Ai2 für den finalen Lauf rund 2.720 US-Dollar an gemieteter H100-Rechenzeit kosten.

Der Embeddings Explorer und das Beispiel Madre de Dios

Der Explorer stellt die Embeddings als Falschfarbenkarte des Planeten dar. Nutzer können an beliebige Orte navigieren, zwischen Jahren wechseln und die zugrunde liegenden Sentinel-2-Bilder einblenden, um die Karte zu überprüfen. Sie können auf einen Ort klicken, um ähnliche Orte zu finden, oder einige beschriftete Punkte setzen, direkt vor Ort einen kleinen Klassifikator trainieren und das Ergebnis als GeoTIFF exportieren. Laut Ai2 dauert ein erster Durchlauf Sekunden, während das Testen einer Idee mit OlmoEarth zuvor einen Fine-Tuning-Lauf in der Größenordnung von Stunden bedeutete.

Als Beispiel betrachtet Ai2 den illegalen Goldabbau rund um La Pampa in der peruanischen Region Madre de Dios. Laut dem MAAP-Programm von Amazon Conservation erreichte der Abbau 2017 und 2018 seinen Höhepunkt und rodete mehr als 1.200 Hektar Wald in der Pufferzone des Nationalreservats Tambopata. Perus Operation Mercurio legte im Februar 2019 den größten Teil still. Vergleicht man den Vektor jedes Pixels über die Jahre hinweg, ganz ohne Modelltraining, zeigt das Paar 2017 bis 2020, wie sich der Abbau nach Südosten ausbreitet, während der Vergleich 2020 bis 2025 dieses Gebiet ruhig zeigt und die Veränderungen auf die ältere Abbauzone im Westen konzentriert sind. Ai2 verweist auf die Associated Press, wonach Peru im August 2026 wieder Marinepatrouillen in das Reservat entsandt hat.

Abdeckung, Herkunftsnachweis und Verfügbarkeit

Das Archiv enthält Embeddings in 10-Meter-Auflösung, rund 150 TB pro Jahr, und deckt Landflächen und angrenzende Küstengewässer ab. Zum Start sind 2025 und 2024 global verfügbar, 2023 nahezu global, und 2017 bis 2022 decken ausgewählte Länder ab; weitere Abdeckung ist geplant. Nutzer können zwischen der 128-dimensionalen und der schlankeren 64-dimensionalen Version wählen.

Für jede 20-Kilometer-Kachel und jedes Jahr listen offene Herkunftstabellen die Sentinel-1-, Sentinel-2- und Landsat-Szenen auf, die das Modell gelesen hat, mit Links zu den öffentlichen Katalogen. So lässt sich jeder Pixel zu seinen Bilddaten zurückverfolgen.

Was das für Nutzer bedeutet

Die Veröffentlichung umfasst das Modell OlmoEarth v1.3 Base, die globalen Embeddings, den Explorer und den technischen Bericht, alles unter der OlmoEarth Artifact License, derselben offenen Lizenz wie bei v1 und v1.2. Für Teams ohne GPUs oder großen Speicher für Bilddaten bieten die Embeddings einen günstigeren Einstieg. Ai2 schlägt außerdem vor, damit zu entscheiden, ob sich für eine Aufgabe ein Fine-Tuning-Lauf in OlmoEarth Studio lohnt, wo dasselbe Modell über frei gewählte Zeiträume, Modalitäten und Auflösungen laufen kann. Ein Tutorial zeigt, wie sich Embeddings auf eigener Rechenleistung erzeugen lassen.