Alpha Earth Foundations (Google DeepMind)

AlphaEarth Foundations er en AI-model udviklet af Google DeepMind, der fungerer som en virtuel satellit. Modellen integrerer data fra optiske satellitter, radar, LiDAR og klimasimuleringer og komprimerer dem til en 64-dimensionel vektor for hver 10x10-meter celle på jordens overflade. Resultatet er et samlet digitalt billede af hele planetens landarealer og kystområder, år for år fra 2017 til 2024. Google annoncerede modellen i juli 2025.

Forestil dig, at du driver en dansk landbrugsvirksomhed med marker spredt over Sjælland og Jylland. I stedet for at købe dyre droneoverflyvninger eller afhænge af sporadiske satellitbilleder med skydække kan du trække AlphaEarth-data fra Google Earth Engine. Du får et skyfrit, konsistent datasæt over dine marker for hvert år siden 2017, klar til analyse med en simpel maskinlæringsmodel. Træn en classifier på 50 markerede felter, og modellen generaliserer til tusindvis af lignende områder.

For virksomheder, der arbejder med ESG-rapportering, supply chain-verifikation eller klimarisiko, åbner AlphaEarth Foundations muligheder, der tidligere krævede specialiserede GIS-teams og milliondyre satellitabonnementer. Med EU's CSRD-krav og den kommende Green Claims Directive fra 2026 vokser behovet for verificerbare miljødata. AlphaEarth leverer netop den type data i et format, der er klar til integration med standard Machine Learning-pipelines.

Læsetid 7 minOpdateret november 2026

Sådan virker AlphaEarth Foundations teknisk

1. Multi-sensor-datafusion. AlphaEarth Foundations adskiller sig fra traditionelle fjernmålingsmodeller ved at træne på tværs af flere sensortyper samtidig. Modellen indlæser data fra Sentinel-2 (optisk multispektral billedbehandling i 10-60 meters opløsning), Sentinel-1 (syntetisk aperturradar, der kan se gennem skyer), LiDAR-baserede højdemodeller og klimasimuleringer. Denne multi-sensor-tilgang betyder, at modellen lærer repræsentationer, der fanger både visuelle, strukturelle og klimatiske egenskaber ved hvert punkt på jordens overflade.

2. Embedding field-arkitektur. Kernen i AlphaEarth er et deep learning-netværk, der transformerer tusindvis af input-dimensioner fra tidsserier af multimodale data til en kompakt 64-bånds repræsentation. Hver vektor repræsenterer et 10x10-meter område for et helt år. Modellen anvender flere træningsmålsætninger (objectives) til at strukturere embedding-rummet, så vektorer for lignende landskabstyper grupperes tæt, mens forskellige typer adskilles klart. Teknisk set er det en form for joint pretraining, der minder om tilgangen i store foundation models, men optimeret til geospatiale data.

3. Håndtering af datasparsomhed. Et af AlphaEarths største tekniske bidrag er evnen til at producere præcise kort fra meget få labels. Traditionelle kortlægningsmodeller kræver tusindvis af mærkede træningseksempler per klasse. AlphaEarth reducerer dette behov dramatisk, fordi embeddings allerede indeholder rig semantisk information. Google rapporterer, at fejlraten er 16 gange lavere end sammenlignelige AI-systemer, og 24 procent lavere end det næstbedste system på opgaver som arealanvendelse og overfladeegenskaber.

4. Skyfri, konsistent repræsentation. Fordi modellen træner på tidsserier fra et helt år og assimilerer både optiske og radardata, overvinder embeddings typiske problemer som skydække, scanlinjer og sensorartefakter. Radardata fra Sentinel-1 bidrager med strukturel information selv på overskyede dage, og modellen lærer at ignorere støj og fremhæve de underliggende landskabsændringer. Resultatet er, hvad Google kalder en "cloud-free" repræsentation af hele planeten.

5. Skalering og infrastruktur. AlphaEarth-datasættet er et af de største af sin art. Det indeholder over 1,4 billioner embedding-footprints per år, dækker alle landarealer og kystområder globalt. Datasættet er tilgængeligt både i Google Earth Engine som et native dataset og på Google Cloud Storage som Cloud Optimized GeoTIFFs (COGs). Beregningerne kræver Googles interne TPU-infrastruktur til træning, men selve embeddings kan forbruges af enhver klient med adgang til Earth Engine eller BigQuery.

6. Downstream-brug: fra embedding til kort. Brugere træner ikke AlphaEarth-modellen selv. I stedet bruger de de præcomputerede embeddings som input til deres egne modeller. Et typisk workflow er: hent embeddings for et geografisk område, træn en simpel classifier (f.eks. en Random Forest eller et lille neuralt netværk) på et fåtal labels, og anvend classifieren på resten af området. Denne tilgang gør det muligt for organisationer uden stor ML-kapacitet at producere specialiserede kort med høj præcision.

7. Sammenligning med konkurrenters arkitektur. IBMs Prithvi-EO bruger en vision transformer med masked autoencoding, trænet primært på NASA-data. Clay Foundation Model anvender en lignende masked autoencoding-tilgang på globalt distribuerede Earth Observation-data. AlphaEarths arkitektur er anderledes: den optimerer direkte for embedding-kvalitet på tværs af sensorer, snarere end at rekonstruere maskerede billedpatches. Det giver mere kompakte repræsentationer (64 dimensioner mod Prithvis og Clays hundredvis eller tusindvis), men med sammenlignelig eller bedre downstream-ydeevne ifølge Googles benchmarks.

8. Begrænsninger. AlphaEarth Foundations producerer årlige embeddings, ikke realtidsdata. Den dækker kun landarealer og kystområder, ikke åbent hav. Opløsningen er 10 meter, hvilket er utilstrækkeligt til opgaver, der kræver sub-meter-detaljer (f.eks. bygningsskader eller individuelle træer). Datasættet dækker 2017-2024, så historiske analyser før 2017 er ikke mulige. Endelig er modellen ikke open source. Google har frigivet embeddings, men ikke selve modelvægtene.

Vil du forstå, hvordan AlphaEarth Foundations og lignende AI-modeller kan styrke din virksomheds ESG-rapportering, supply chain-verifikation eller klimarisikoanalyse? Vi hjælper dig med at identificere de rette datakilder, bygge de nødvendige ML-pipelines og sikre compliance med EU-krav som CSRD og EUDR.

Konkrete anvendelser for virksomheder

Arealanvendelse og landbrugsoversigt
AlphaEarth kan klassificere landbrugsjord, skov, by og vådområder med få træningseksempler. Et dansk landbrugskooperativ kan identificere ændringer i markudnyttelse på tværs af hundredvis af bedrifter ved at træne en model på blot 50 mærkede felter. FAO (FN's Fødevare- og Landbrugsorganisation) bruger allerede datasættet til at spore globale fødevaresikkerhedsmønstre.

ESG-rapportering og supply chain-verifikation
Med EU's CSRD og den kommende Green Claims Directive kan virksomheder bruge AlphaEarth-data til at verificere miljøpåstandene i deres værdikæde. En detailkæde kan dokumentere, at leverandørens palmeolieplantager ikke bidrager til skovrydning, ved at sammenligne embeddings over tid. Neural Alpha har med ESA-støtte allerede udviklet satellitbaserede systemer mod greenwashing, og AlphaEarth gør den type analyse tilgængelig uden specialudstyr.

Klimarisiko og forsikring
Forsikringsselskaber og finansielle institutioner kan bruge embeddings til at vurdere klimarelaterede risici i investeringsporteføljer. Ved at analysere ændringer i vegetation, oversvømmelser og bebyggelsesmønstre over tid kan en risikomanager identificere områder med stigende eksponering. Stanford University og Spatial Informatics Group er blandt de 50+ organisationer, der tester dette.

Byplanlægning og infrastruktur
Kommuner og byplanlægningsafdelinger kan spore byvækst, grønne områder og infrastrukturudvikling. AlphaEarths konsistente årlige datasæt gør det muligt at sammenligne et område i 2017 med 2024 direkte, uden at bekymre sig om forskelle i skydække eller sensorforhold. MapBiomas i Brasilien bruger datasættet til at kortlægge arealforandringer i stor skala.

Luftforurening og folkesundhed
Forskere har demonstreret, at AlphaEarth-embeddings kan kombineres med jordmålinger til at forudsige koncentrationer af PM2.5 og NO2 i byer. For sundhedsmyndigheder og kommuner åbner dette muligheder for at kortlægge luftkvalitet med høj rumlig opløsning uden et tæt netværk af fysiske sensorer.

Skovrydningsovervågning og EUDR-compliance
EU's Deforestation Regulation (EUDR) kræver dokumentation for, at importerede varer ikke bidrager til skovrydning. AlphaEarths tidsseriedata fra 2017-2024 giver virksomheder mulighed for at påvise, at et bestemt areal ikke er blevet ryddet i den relevante periode. Sammenlignet med enkeltstående satellitbilleder reducerer embedding-tilgangen risikoen for false negatives forårsaget af skydække.

Vandressourceforvaltning
Kystområder og vådområder er inkluderet i AlphaEarths dækningsområde. Vandværker, miljømyndigheder og landbruget kan spore ændringer i vådområder, grundvandsindikatorer og kysterodering over tid. Group on Earth Observations anvender datasættet til at forbedre den globale vandressourceovervågning.

Konkurrenter og alternativer til AlphaEarth

Prithvi-EO 2.0 (IBM og NASA)
Prithvi var den første store Earth Observation foundation model, lanceret i 2023 som et samarbejde mellem IBM Research og NASA. Version 2.0 tilføjede dybere forståelse af metadata og multi-temporal analyse. Styrker: open source, bred adoption i forskningsmiljøer, og NASA-data som fundament. Svagheder i forhold til AlphaEarth: højere dimensionalitet (hundredvis af dimensioner) gør downstream-modeller tungere, og præcisionen på Googles benchmarks er lavere. Prithvi er gratis og open source.

Clay Foundation Model (Development Seed)
Clay er en open-source model trænet med masked autoencoding på globalt distribuerede, multisensor Earth Observation-data. Styrker: helt åben (både model og vægt), fleksibel arkitektur, og et aktivt fællesskab. Svagheder: Clays embeddings er højdimensionelle og mindre informationstætte end AlphaEarths 64-dimensionelle vektorer. På Googles benchmarks performer Clay under AlphaEarth på de fleste opgaver. Clay er gratis.

OlmoEarth (Allen Institute for AI)
OlmoEarth er den nyeste konkurrent, lanceret af Ai2 i 2025. I k-nearest-neighbors-tests performer OlmoEarth på niveau med eller bedre end AlphaEarth. Når modellen fine-tunes, overgår den AlphaEarth væsentligt. Styrker: open source, stærke fine-tuning-resultater. Svagheder: nyere og mindre testet i produktionsmiljøer, og kræver fine-tuning for at udnytte sit fulde potentiale, hvor AlphaEarths embeddings virker direkte.

TerraMind (European Space Agency)
TerraMind blev lanceret i 2025 i samarbejde med ESA og introducerer multimodal korrelationslæring og generative kapabiliteter. Styrker: europæisk oprindelse (relevant for GDPR og datasuverænitet), kan generere data mellem modaliteter, og er designet til ESA's Copernicus-datasæt. Svagheder: mere kompleks at anvende end AlphaEarths plug-and-play embeddings, og endnu ikke tilgængelig i et samlet hosting-miljø som Google Earth Engine.

Hvor AlphaEarth er unik
AlphaEarths primære fordel er kombinationen af lav dimensionalitet (64-band), global dækning i et samlet datasæt, og direkte integration med Google Earth Engine og BigQuery. Det gør det ekstremt hurtigt at gå fra data til indsigt. De open-source-alternativer (Prithvi, Clay, OlmoEarth) er stærkere valg for organisationer, der kræver fuld kontrol over modellen, eller som har datasuverænitetskrav, der forhindrer brug af Google Cloud. OlmoEarth er den stærkeste tekniske konkurrent, men kræver egen hosting og fine-tuning.

Ofte stillede spørgsmål om AlphaEarth Foundations

Hvad er forskellen på AlphaEarth Foundations og Google Earth?

Google Earth er et visualiseringsværktøj, der viser satellitbilleder på et kort. AlphaEarth Foundations er en AI-model, der omdanner rå satellitdata fra flere sensorer til kompakte 64-dimensionelle vektorer. Disse vektorer er designet til maskinlæring, ikke til visuel fremvisning. Du bruger AlphaEarth-embeddings som input til dine egne modeller, mens Google Earth er til menneskelig gennemgang.

Er AlphaEarth Foundations gratis at bruge?

Selve datasættet er gratis at tilgå. Google Earth Engine er gratis for forskning, uddannelse og nonprofitbrug. Kommercielle brugere betaler platformafgift og forbrug (compute units og storage). Download fra Google Cloud Storage medfører egress-charges. De open-source-alternativer Prithvi, Clay og OlmoEarth er helt gratis, inklusive modelvægtene.

Kan AlphaEarth bruges til CSRD- og ESG-rapportering?

Ja, det er en af de mest relevante anvendelser. AlphaEarths tidsseriedata fra 2017-2024 giver verificerbare miljødata over tid, f.eks. dokumentation for skovrydning, arealforandringer eller klimarisiko. EU's Green Claims Directive fra 2026 kræver uafhængigt verificerbar dokumentation for miljøpåstande, og satellitbaserede embeddings kan levere netop det.

Hvad er opløsningen, og er den god nok til mit formål?

AlphaEarth har 10-meters opløsning. Det er velegnet til regional analyse, arealanvendelse, skovrydning og ESG-verifikation. Det er ikke nok til sub-meter-opgaver som præcisionslandbrug på planteniveau, bygningsskadeklassificering eller tælling af køretøjer. Til sådanne opgaver kræves dedikerede højopløsningssatellitter som Maxar eller Planet.

Kan jeg køre AlphaEarth på min egen infrastruktur?

Nej, modelvægtene er ikke frigivet. Du kan kun bruge de præcomputerede embeddings via Google Earth Engine eller Cloud Storage. Hvis du har krav om on-premise drift eller fuld kontrol over modellen, er open-source-alternativer som Prithvi-EO 2.0, Clay eller OlmoEarth bedre valg. OlmoEarth har vist de stærkeste resultater efter fine-tuning.

Hvor ofte opdateres AlphaEarth-data?

Datasættet indeholder årlige embeddings og dækker aktuelt 2017 til 2024. Google har ikke offentliggjort en fast opdateringsplan, men givet at datasættet blev frigivet i juli 2025, er en opdatering med 2025-data forventeligt inden udgangen af 2026. Realtidsdata er ikke tilgængelige via AlphaEarth.