Ai2 vydává OlmoEarth V1.3 s globálními satelitními embeddingy v rozlišení 10 metrů

Allenův institut pro umělou inteligenci vydal 22. října 2026 OlmoEarth v1.3, otevřený model satelitních embeddingů, který doprovázejí předpočítané roční embeddingy pro celou planetu v rozlišení 10 metrů a webový prohlížeč OlmoEarth Embeddings Explorer, k jehož používání není nutné se přihlašovat.

Vydání zahrnuje základní model OlmoEarth v1.3, předpočítané globální embeddingy ve 128rozměrné a 64rozměrné verzi, Explorer a technickou zprávu. Vše je k dispozici pod licencí OlmoEarth Artifact License, která se používala pro OlmoEarth v1 a v1.2. Dosud bylo používání OlmoEarth spojeno s dolaďováním v OlmoEarth Studio, které vyžadovalo přístup ke grafickému procesoru a místní úložiště obrazových dat; modely embeddingů naproti tomu komprimují satelitní data do připravených příznaků, které lze opakovaně využívat pro různé úlohy.

Podle karty modelu je OlmoEarth-v1_3-Base základní model ViT-Base se 128 miliony parametrů určený pro dálkový průzkum Země ze snímků nebo časových řad snímků Sentinel-1, Sentinel-2 a Landsat. Zahrnuje také Perceiver se 14,3 milionu parametrů a lineární studentský model s 0,1 milionu parametrů, který převádí 768rozměrné tokeny na 128 rozměrů. Karta uvádí, že tento model včetně studentské části vytvořil roční globální embeddingy OlmoEarth.

Jak model vytváří embeddingy

OlmoEarth v1.3 zpracovává roční časové řady radarových dat Sentinel-1 a multispektrálních dat Sentinel-2 a Landsat a pro každý pixel Země o velikosti 10 metrů vytváří jeden 128rozměrný vektor; prvních 64 rozměrů lze samostatně použít jako menší embedding. Satelitní data zpracuje vision transformer, Attention Pooler sloučí výstupní tokeny do jednoho vektoru pro každou část pevniny a lineární vrstva tento vektor zredukuje na 128 čísel. Technická zpráva popisuje destilaci ve stylu Matryoshka, při níž je studentským modelem jediná lineární vrstva trénovaná společně se základní sítí v rámci téhož průchodu vpřed. Podle zprávy jsou díky tomu náklady na destilaci prakticky nulové.

Zpráva uvádí, že provoz vision transformeru a Attention Pooleru při rozlišení enkodéru 20 metrů a výstupním rozlišení 10 metrů je 7,7krát levnější než provoz transformeru při rozlišení 10 metrů: 308 oproti 2 378 GMAC na výřez. Trénování využívalo stejná data a postup jako OlmoEarth v1.2 — pozorování ze Sentinel-1, Sentinel-2 a Landsat-8 a mapové cíle, například WorldCover, WorldCereal, SRTM a OpenStreetMap — s optimalizátorem AdamW, velikostí dávky 512 a 667 200 kroky.

Výsledky benchmarků a datová sada PLANTEUR

Ai2 uvádí, že embeddingy v1.3 vyhodnotil ve srovnání s AlphaEarth Foundations a Tessera v2 v rámci 27 testů na šesti kontinentech. 128rozměrné embeddingy dosáhly nejvyššího skóre ve 20 z 27 testů a 64rozměrná verze vedla v 18 z 27. Technická zpráva uvádí, že 128rozměrné embeddingy překonaly obě základní řešení v 7 z 8 datových sad AEF; výjimkou byla Etiopie, kde Tessera v2 dosáhla lepších výsledků než OlmoEarth v1.3. Na datové sadě PASTIS pro klasifikaci typů plodin dosáhly embeddingy mírně lepších výsledků než Tessera v2: 58,6 oproti 58,3 mIoU.

Spolu s vydáním představilo Ai2 PLANTEUR, benchmark pro klasifikaci typů plodin v tropickém zemědělství vytvořený z popisků z francouzských zámořských území: Martiniku, Réunionu, Francouzské Guyany, Guadeloupu a Mayotte. V nastavení „vynechání jednoho ostrova“ se testuje výkon na jednom ostrově, zatímco klasifikátory se trénují na ostatních ostrovech. Ai2 uvádí, že embeddingy v1.3 se nejlépe zobecňují na místa, která klasifikátor dosud neviděl. Zpráva zaznamenává pro 128rozměrné embeddingy hodnotu 24,9 mIoU v tomto testu s vynecháním jednoho ostrova, oproti 19,1 u Tessera v2 a 15,8 u AlphaEarth Foundations.

Ai2 také popisuje v1.3 jako výkonný model pro dolaďování, který dosahuje stejných výsledků jako v1.2 napříč výzkumnými a partnerskými popisky. Zpráva uvádí, že průměrné pořadí v1.3 při dolaďování činilo 4,34 napříč všemi hodnocenými modely a úlohami; před ním se umístil OlmoEarth v1.2 Base s hodnotou 4,02 a za ním OlmoEarth v1 Base s hodnotou 4,74.

Náklady na trénování a dopad na životní prostředí

Ai2 označuje OlmoEarth v1.3 za svůj nejlevnější model OlmoEarth na trénování: vyžaduje 53 % výpočetního času modelu v1.2 a 18 % času modelu v1, přičemž emise uhlíku dosahují 50 %, respektive 22 % hodnoty těchto modelů. Ai2 odhaduje, že zopakování předtrénování OlmoEarth v1.3 Base by při pronájmu výpočetního času na H100 pro závěrečný běh stálo přibližně 2 720 dolarů.

Tabulka dopadu na životní prostředí ve zprávě uvádí u předtrénování OlmoEarth v1.3 Base 539 hodin práce GPU H100, 161 kWh a 0,07 tCO2eq. Pro srovnání, OlmoEarth v1.2 Base vyžadoval 1 012 hodin práce GPU a vyprodukoval 0,14 tCO2eq, zatímco u OlmoEarth v1 šlo o 2 989 hodin práce GPU a 0,32 tCO2eq. Samotný výpočet embeddingů je mnohem náročnější: zpráva odhaduje, že vytvoření globálních embeddingů za jeden rok zabere přibližně 14 000 hodin na H100, tedy zhruba 26krát více než předtrénování.

Globální archiv, Explorer a licencování

Archiv, na němž je Explorer založen, obsahuje embeddingy v rozlišení 10 metrů, přibližně 150 TB za rok, a pokrývá pevninu i přilehlé pobřežní vody. Při spuštění byly globálně dostupné roky 2025, 2024 a 2023, zatímco data z let 2017 až 2022 pokrývala vybrané země; na rozšíření pokrytí se pracuje. Zpráva uvádí, že celá datová sada za období 2017 až 2025 má výrazně přes jeden petabajt, pokrývá oblast od 59,5 stupně jižní šířky do 83,6 stupně severní šířky a nezahrnuje Antarktidu. Dodává také, že inference pomocí Searchlight odstranila z vydaných embeddingů artefakty způsobené dělením na dlaždice.

Embeddingy jsou hostovány na Source Cooperative jako úložiště Zarr, které lze číst přímo z objektového úložiště pomocí libovolného klienta Zarr; není k tomu potřeba žádný klíč API ani mapový server. Veřejně dostupné tabulky původu dat vydané ve formátu GeoParquet uvádějí scény Sentinel-1, Sentinel-2 a Landsat, z nichž vychází každá dlaždice o velikosti 20 kilometrů v daném roce; pro rok 2025 zpráva zaznamenává přibližně 450 000 oken, 21 milionů položek mozaiky a 730 000 scén.

Nástroj Explorer zobrazuje embeddingy jako mapu planety ve falešných barvách. Uživatelé mohou přepínat mezi jednotlivými roky, zobrazit podkladové snímky Sentinel-2, kliknutím na určité místo vyhledat podobné lokality, natrénovat malý klasifikátor na několika označených bodech a výsledek exportovat jako soubor GeoTIFF, a to bez nutnosti mít účet. Oznámení Ai2 tento přístup ilustruje na případu nelegální těžby zlata v peruánském regionu Madre de Dios: podle příspěvku těžba v okolí La Pampa dosáhla vrcholu v letech 2017 a 2018 a peruánská operace Mercurio většinu této činnosti v únoru 2019 zastavila. Srovnání embeddingů za období 2017–2020 a 2020–2025 podle příspěvku ukazují dřívější rozšiřování těžby i pokračující změny ve staré těžební zóně. Příspěvek dále uvádí, že Peru v srpnu 2026 vyslalo do rezervace zpět námořní hlídky poté, co státní zástupci zjistili, že těžba pronikla až do samotné oblasti Tambopata.

Pro práci, která vyžaduje konkrétní časové období, spouští OlmoEarth Studio stejný model pro data, modality a rozlišení zvolené uživatelem; v tutoriálu je ukázáno, jak generovat embeddingy na vlastním výpočetním zařízení uživatele. Technická zpráva uvádí, že licence OlmoEarth Artifact License omezuje použití pro vojenské účely, účely související s obranou a činnosti těžebního průmyslu; karta modelu dodává, že model je určen k používání v souladu s pokyny Ai2 pro odpovědné používání.