Ai2 Merilis OlmoEarth V1.3 dengan Embedding Satelit Global Beresolusi 10 Meter

Allen Institute for AI merilis OlmoEarth v1.3 pada 22 Oktober 2026, sebuah model embedding satelit terbuka yang disertai embedding tahunan yang telah dihitung sebelumnya untuk seluruh planet dengan resolusi 10 meter serta OlmoEarth Embeddings Explorer berbasis peramban yang dapat digunakan tanpa masuk ke akun.

Rilis ini mencakup model OlmoEarth v1.3 Base, embedding global yang telah dihitung sebelumnya dalam versi 128 dan 64 dimensi, Explorer, serta laporan teknis, semuanya berlisensi OlmoEarth Artifact License yang juga digunakan untuk OlmoEarth v1 dan v1.2. Sebelumnya, penggunaan OlmoEarth mengharuskan penyempurnaan model melalui pelatihan lanjutan di OlmoEarth Studio, yang memerlukan akses GPU dan penyimpanan citra secara lokal; sementara itu, model embedding memadatkan data satelit menjadi fitur siap pakai yang dapat digunakan kembali untuk beragam tugas.

Menurut kartu model, OlmoEarth-v1_3-Base adalah model fondasi ViT-Base dengan 128 juta parameter untuk penginderaan jauh menggunakan citra atau deret waktu citra Sentinel-1, Sentinel-2, dan Landsat. Model ini juga mencakup Perceiver dengan 14,3 juta parameter dan student linear dengan 0,1 juta parameter yang memproyeksikan token 768 dimensi menjadi 128 dimensi; kartu tersebut menyatakan bahwa model ini, termasuk student-nya, menghasilkan embedding tahunan global OlmoEarth.

Cara Model Menghasilkan Embedding

OlmoEarth v1.3 membaca data radar Sentinel-1 dan deret waktu multispektral Sentinel-2 serta Landsat selama setahun, lalu menghasilkan satu vektor 128 dimensi untuk setiap piksel berukuran 10 meter di Bumi; 64 dimensi pertama juga dapat digunakan sendiri sebagai embedding yang lebih kecil. Vision transformer membaca data satelit, Attention Pooler menggabungkan token keluaran menjadi satu vektor untuk setiap petak lahan, lalu lapisan linear mereduksi vektor tersebut menjadi 128 angka. Laporan teknis ini menjelaskan distilasi bergaya Matryoshka, yang student-nya berupa satu lapisan linear yang dilatih bersama backbone dalam proses forward pass yang sama; menurut laporan tersebut, cara ini membuat distilasi nyaris tanpa biaya tambahan.

Laporan tersebut menyatakan bahwa menjalankan vision transformer dan Attention Pooler pada resolusi encoder 20 meter dengan keluaran 10 meter membutuhkan biaya komputasi 7,7 kali lebih rendah daripada menjalankan transformer pada resolusi 10 meter: 308 dibandingkan 2.378 GMAC per jendela. Pelatihan menggunakan data dan metode yang sama seperti OlmoEarth v1.2—observasi Sentinel-1, Sentinel-2, dan Landsat-8 dengan target peta seperti WorldCover, WorldCereal, SRTM, dan OpenStreetMap—serta pengoptimal AdamW dengan ukuran batch 512 selama 667.200 langkah.

Hasil Tolok Ukur dan Dataset PLANTEUR

Ai2 melaporkan bahwa embedding v1.3 dievaluasi terhadap AlphaEarth Foundations dan Tessera v2 dalam 27 evaluasi yang mencakup enam benua; embedding 128 dimensi meraih skor tertinggi dalam 20 dari 27 evaluasi, sedangkan versi 64 dimensi unggul dalam 18 dari 27 evaluasi. Laporan teknis menyatakan bahwa embedding 128 dimensi mengungguli kedua model pembanding pada 7 dari 8 dataset AEF (pengecualiannya adalah Etiopia, tempat Tessera v2 mengungguli OlmoEarth v1.3) dan sedikit mengungguli Tessera v2 pada dataset jenis tanaman PASTIS, dengan mIoU 58,6 dibandingkan 58,3.

Bersamaan dengan rilis ini, Ai2 memperkenalkan PLANTEUR, tolok ukur jenis tanaman untuk pertanian tropis yang disusun berdasarkan label dari wilayah seberang laut Prancis: Martinik, Réunion, Guyana Prancis, Guadeloupe, dan Mayotte. Pengaturan leave-one-island-out menguji kinerja pada satu pulau ketika pengklasifikasi dilatih menggunakan pulau-pulau lainnya, dan Ai2 menyatakan bahwa embedding v1.3 paling mampu melakukan generalisasi ke tempat yang belum pernah dilihat pengklasifikasi. Laporan tersebut mencatat mIoU 24,9 untuk embedding 128 dimensi pada pengukuran leave-one-island-out itu, dibandingkan 19,1 untuk Tessera v2 dan 15,8 untuk AlphaEarth Foundations.

Ai2 juga menyebut v1.3 sebagai model penyempurnaan yang andal, dengan kinerja setara v1.2 pada label penelitian dan mitra; laporan tersebut mencatat peringkat rata-rata penyempurnaan v1.3 sebesar 4,34 di antara semua model dan tugas yang dievaluasi, di bawah OlmoEarth v1.2 Base dengan 4,02 dan di atas OlmoEarth v1 Base dengan 4,74.

Biaya Pelatihan dan Dampak Lingkungan

Ai2 menyebut OlmoEarth v1.3 sebagai model OlmoEarth dengan biaya pelatihan terendah. Model ini memerlukan 53% waktu komputasi v1.2 dan 18% waktu komputasi v1, dengan emisi karbon masing-masing sebesar 50% dan 22%. Ai2 memperkirakan bahwa mengulang prapelatihan OlmoEarth v1.3 Base akan menelan biaya sekitar $2.720 untuk penggunaan H100 sewaan pada proses pelatihan akhir.

Tabel dampak lingkungan dalam laporan tersebut mencatat bahwa prapelatihan OlmoEarth v1.3 Base menggunakan 539 jam GPU H100, 161 kWh, dan 0,07 tCO2eq, dibandingkan dengan 1.012 jam GPU dan 0,14 tCO2eq untuk v1.2 Base serta 2.989 jam GPU dan 0,32 tCO2eq untuk v1 Base. Penghitungan embedding itu sendiri membutuhkan jauh lebih banyak sumber daya: laporan tersebut memperkirakan bahwa embedding global untuk satu tahun memerlukan sekitar 14.000 jam H100, kira-kira 26 kali biaya komputasi prapelatihan.

Arsip Global, Explorer, dan Lisensi

Arsip yang mendukung Explorer menyimpan embedding dengan resolusi 10 meter, sekitar 150 TB per tahun, yang mencakup daratan dan perairan pesisir di sekitarnya. Saat diluncurkan, cakupan global tersedia untuk 2025, 2024, dan 2023, sedangkan data 2017 hingga 2022 mencakup negara-negara tertentu; perluasan cakupan masih berlangsung. Laporan tersebut menyebutkan bahwa keseluruhan dataset 2017–2025 berukuran jauh di atas satu petabita, dengan cakupan dari 59,5 derajat lintang selatan hingga 83,6 derajat lintang utara dan tanpa mencakup Antarktika. Laporan itu juga menyatakan bahwa inferensi Searchlight menghilangkan artefak pembagian petak pada embedding yang dirilis.

Embedding disimpan di Source Cooperative sebagai penyimpanan Zarr yang dapat dibaca langsung dari penyimpanan objek menggunakan klien Zarr apa pun, tanpa memerlukan kunci API atau server ubin. Tabel provenance terbuka yang dirilis dalam format GeoParquet mencantumkan citra Sentinel-1, Sentinel-2, dan Landsat yang mendasari setiap ubin berukuran 20 kilometer dan setiap tahun; untuk 2025, laporan tersebut mencatat sekitar 450.000 jendela, 21 juta entri mosaik, dan 730.000 citra.

Explorer menampilkan embedding sebagai peta planet dengan warna semu. Pengguna dapat berpindah antar-tahun, membuka citra Sentinel-2 yang mendasarinya, mengeklik suatu lokasi untuk menemukan tempat serupa, melatih pengklasifikasi kecil menggunakan beberapa titik berlabel, dan mengekspor hasilnya sebagai GeoTIFF, tanpa perlu membuat akun. Pengumuman Ai2 menggambarkan pendekatan ini dengan contoh penambangan emas ilegal di wilayah Madre de Dios, Peru: unggahan tersebut menyatakan bahwa penambangan di sekitar La Pampa mencapai puncaknya pada 2017 dan 2018, dan bahwa Operasi Mercurio yang dilancarkan Peru menghentikan sebagian besar kegiatan itu pada Februari 2019. Unggahan itu juga menyebutkan bahwa perbandingan embedding antara 2017–2020 dan 2020–2025 menunjukkan penyebaran sebelumnya serta perubahan yang terus berlangsung di kawasan bekas pertambangan. Unggahan tersebut menambahkan bahwa Peru mengirim kembali patroli angkatan laut ke kawasan lindung itu pada Agustus 2026, setelah jaksa menemukan bahwa kegiatan penambangan telah merambah hingga ke dalam Tambopata.

Untuk pekerjaan yang memerlukan rentang waktu tertentu, OlmoEarth Studio menjalankan model yang sama berdasarkan tanggal, modalitas, dan resolusi pilihan pengguna. Sebuah tutorial menunjukkan cara menghasilkan embedding dengan sumber daya komputasi milik pengguna sendiri. Laporan teknis menyatakan bahwa OlmoEarth Artifact License membatasi penggunaan untuk aplikasi militer, terkait pertahanan, dan industri ekstraktif; kartu model menambahkan bahwa model tersebut ditujukan untuk digunakan sesuai dengan Pedoman Penggunaan yang Bertanggung Jawab Ai2.