Ai2 veröffentlicht OlmoEarth V1.3 mit globalen Satelliten-Einbettungen mit 10 m Auflösung

Das Allen Institute for AI veröffentlichte am 22. Oktober 2026 OlmoEarth v1.3, ein offenes Satelliten-Einbettungsmodell. Dazu gehören vorab berechnete jährliche Einbettungen des gesamten Planeten mit 10 m Auflösung sowie der browserbasierte OlmoEarth Embeddings Explorer, für den keine Anmeldung erforderlich ist.

Die Veröffentlichung umfasst das Basismodell OlmoEarth v1.3, vorab berechnete globale Einbettungen in Versionen mit 128 und 64 Dimensionen, den Explorer und einen technischen Bericht. Für alle gilt die OlmoEarth Artifact License, die auch für OlmoEarth v1 und v1.2 verwendet wurde. Bislang musste man OlmoEarth in OlmoEarth Studio feinabstimmen. Dafür waren GPU-Zugriff und die lokale Speicherung von Bilddaten erforderlich. Einbettungsmodelle komprimieren Satellitendaten stattdessen zu sofort nutzbaren Merkmalen, die sich für zahlreiche Aufgaben wiederverwenden lassen.

Laut der Modellkarte ist OlmoEarth-v1_3-Base ein ViT-Base-Grundlagenmodell mit 128 Millionen Parametern für die Fernerkundung von Sentinel-1-, Sentinel-2- und Landsat-Bildern oder Bildzeitreihen. Es umfasst außerdem einen Perceiver mit 14,3 Millionen Parametern und ein lineares Student-Modell mit 0,1 Millionen Parametern, das Token mit 768 Dimensionen auf 128 Dimensionen projiziert. Der Modellkarte zufolge erzeugte dieses Modell einschließlich des Student-Modells die globalen annualisierten Einbettungen von OlmoEarth.

So erzeugt das Modell Einbettungen

OlmoEarth v1.3 verarbeitet ein Jahr an Radardaten von Sentinel-1 sowie multispektralen Zeitreihen von Sentinel-2 und Landsat und erzeugt für jedes 10-m-Pixel auf der Erde einen Vektor mit 128 Dimensionen. Die ersten 64 Dimensionen lassen sich auch eigenständig als kleinere Einbettung verwenden. Ein Vision Transformer liest die Satellitendaten ein; ein Attention Pooler fasst die Ausgabetoken zu einem Vektor pro Landfläche zusammen, und eine lineare Schicht reduziert diesen Vektor auf 128 Zahlen. Der technische Bericht beschreibt eine Destillation nach dem Matryoshka-Prinzip, bei der ein einzelnes lineares Student-Modell gemeinsam mit dem Backbone im selben Vorwärtsdurchlauf trainiert wird. Dem Bericht zufolge ist die Destillation dadurch praktisch kostenlos.

Dem Bericht zufolge ist es 7,7-mal günstiger, den Vision Transformer und den Attention Pooler mit einer Encoder-Auflösung von 20 m und einer Ausgabeauflösung von 10 m auszuführen, als den Transformer mit einer Auflösung von 10 m zu betreiben: 308 statt 2.378 GMACs pro Fenster. Beim Training kamen dieselben Daten und dieselbe Vorgehensweise wie bei OlmoEarth v1.2 zum Einsatz: Beobachtungen von Sentinel-1, Sentinel-2 und Landsat-8 mit Karten als Zielwerten, darunter WorldCover, WorldCereal, SRTM und OpenStreetMap. Verwendet wurde der AdamW-Optimierer mit einer Batchgröße von 512 über 667.200 Schritte.

Benchmark-Ergebnisse und der PLANTEUR-Datensatz

Ai2 zufolge wurden die Einbettungen von v1.3 in 27 Auswertungen auf sechs Kontinenten mit AlphaEarth Foundations und Tessera v2 verglichen. Die Einbettungen mit 128 Dimensionen erzielten in 20 von 27 Auswertungen die höchsten Werte, die Version mit 64 Dimensionen lag in 18 von 27 vorn. Dem technischen Bericht zufolge übertrafen die Einbettungen mit 128 Dimensionen beide Vergleichsmodelle bei 7 von 8 AEF-Datensätzen. Die Ausnahme war Äthiopien, wo Tessera v2 besser abschnitt als OlmoEarth v1.3. Beim PASTIS-Datensatz zur Klassifizierung von Nutzpflanzen übertraf OlmoEarth Tessera v2 knapp: 58,6 gegenüber 58,3 mIoU.

Mit der Veröffentlichung führte Ai2 PLANTEUR ein, einen Benchmark zur Klassifizierung von Nutzpflanzen in der tropischen Landwirtschaft, der auf Beschriftungen aus den französischen Überseegebieten Martinique, Réunion, Französisch-Guayana, Guadeloupe und Mayotte basiert. Beim Leave-one-island-out-Verfahren wird die Leistung auf einer Insel getestet, während die Klassifikatoren auf den übrigen Inseln trainiert werden. Ai2 zufolge verallgemeinern die Einbettungen von v1.3 am besten auf Orte, die ein Klassifikator noch nie gesehen hat. Für die Einbettungen mit 128 Dimensionen verzeichnet der Bericht bei diesem Leave-one-island-out-Maß einen mIoU-Wert von 24,9, gegenüber 19,1 für Tessera v2 und 15,8 für AlphaEarth Foundations.

Ai2 beschreibt v1.3 außerdem als leistungsstarkes Modell für die Feinabstimmung, das bei Forschungs- und Partnerbeschriftungen die Leistung von v1.2 erreicht. Dem Bericht zufolge liegt der durchschnittliche Rang von v1.3 bei der Feinabstimmung über alle ausgewerteten Modelle und Aufgaben hinweg bei 4,34. Damit liegt es hinter OlmoEarth v1.2 Base mit 4,02 und vor OlmoEarth v1 Base mit 4,74.

Trainingskosten und Umweltauswirkungen

Ai2 bezeichnet OlmoEarth v1.3 als sein kostengünstigstes OlmoEarth-Modell im Training. Es benötigt 53 % der Rechenzeit von v1.2 und 18 % der Rechenzeit von v1; die CO₂-Emissionen betragen entsprechend 50 % beziehungsweise 22 %. Ai2 schätzt, dass die Wiederholung des Vortrainings von OlmoEarth v1.3 Base für den abschließenden Trainingslauf rund 2.720 US-Dollar an Mietkosten für H100-GPUs verursachen würde.

In der Tabelle zu den Umweltauswirkungen des Berichts werden für das Vortraining von OlmoEarth v1.3 Base 539 H100-GPU-Stunden, 161 kWh und 0,07 tCO2eq angegeben. Zum Vergleich: OlmoEarth v1.2 Base benötigte 1.012 GPU-Stunden und verursachte 0,14 tCO2eq; bei OlmoEarth v1 waren es 2.989 GPU-Stunden und 0,32 tCO2eq. Die Berechnung der Einbettungen selbst ist deutlich aufwendiger: Der Bericht veranschlagt für ein Jahr globaler Einbettungen etwa 14.000 H100-Stunden, rund das 26-Fache der Vortrainingskosten.

Globales Archiv, Explorer und Lizenzierung

Das Archiv hinter dem Explorer enthält Einbettungen mit 10 m Auflösung und umfasst rund 150 TB pro Jahr. Es deckt Landflächen und angrenzende Küstengewässer ab. Zum Start sind die Jahre 2025, 2024 und 2023 global verfügbar, während die Daten von 2017 bis 2022 ausgewählte Länder abdecken. Weitere Gebiete werden derzeit ergänzt. Dem Bericht zufolge umfasst der vollständige Datensatz für den Zeitraum von 2017 bis 2025 deutlich mehr als ein Petabyte. Die Abdeckung reicht von 59,5 Grad südlicher bis 83,6 Grad nördlicher Breite; die Antarktis ist ausgenommen. Außerdem heißt es im Bericht, dass die Inferenz mit Searchlight Kachelungsartefakte in den veröffentlichten Einbettungen beseitigt hat.

Die Embeddings werden bei Source Cooperative als Zarr-Datenspeicher gehostet, der sich mit jedem Zarr-Client direkt aus dem Objektspeicher auslesen lässt – ein API-Schlüssel oder Kachelserver ist nicht erforderlich. Offene, als GeoParquet veröffentlichte Provenienztabellen führen die Sentinel-1-, Sentinel-2- und Landsat-Szenen auf, die jeder 20-Kilometer-Kachel und jedem Jahr zugrunde liegen. Für 2025 verzeichnet der Bericht rund 450.000 Fenster, 21 Millionen Mosaikeinträge und 730.000 Szenen.

Der Explorer stellt die Embeddings als Falschfarbenkarte des Planeten dar. Nutzer können zwischen Jahren wechseln, die zugrunde liegenden Sentinel-2-Bilder aufrufen, auf einen Ort klicken, um ähnliche Orte zu finden, anhand einer Handvoll markierter Punkte einen kleinen Klassifikator trainieren und das Ergebnis als GeoTIFF exportieren – ein Konto ist dafür nicht erforderlich. Ai2 veranschaulicht den Ansatz in seiner Ankündigung anhand des illegalen Goldabbaus in Perus Region Madre de Dios: Dem Beitrag zufolge erreichte der Bergbau rund um La Pampa 2017 und 2018 seinen Höhepunkt, und Perus Operation Mercurio setzte ihm im Februar 2019 größtenteils ein Ende. Vergleiche der Embeddings aus den Zeiträumen 2017–2020 und 2020–2025 zeigten die frühere Ausbreitung und die anhaltenden Veränderungen in der alten Bergbauzone. Der Beitrag ergänzt, dass Peru im August 2026 Marinepatrouillen in das Schutzgebiet zurückschickte, nachdem Staatsanwälte festgestellt hatten, dass der Bergbau bereits bis nach Tambopata selbst vorgedrungen war.

Für Arbeiten, die ein bestimmtes Zeitfenster erfordern, führt OlmoEarth Studio dasselbe Modell für vom Nutzer festgelegte Daten, Modalitäten und Auflösungen aus. Ein Tutorial zeigt, wie sich Embeddings auf der eigenen Recheninfrastruktur erzeugen lassen. Dem technischen Bericht zufolge schränkt die OlmoEarth Artifact License die Nutzung für militärische, verteidigungsbezogene und rohstoffgewinnende Anwendungen ein. Die Modellkarte ergänzt, dass das Modell gemäß den Responsible Use Guidelines von Ai2 verwendet werden soll.