Ai2 brengt OlmoEarth V1.3 uit met wereldwijde satellietembeddings met een resolutie van 10 m

Het Allen Institute for AI bracht op 22 oktober 2026 OlmoEarth v1.3 uit: een open model voor satellietembeddings, met vooraf berekende jaarlijkse embeddings voor de hele planeet met een resolutie van 10 meter en een browsergebaseerde OlmoEarth Embeddings Explorer waarvoor geen aanmelding nodig is.

De release omvat het OlmoEarth v1.3 Base-model, vooraf berekende wereldwijde embeddings in versies met 128 en 64 dimensies, de Explorer en een technisch rapport. Alles valt onder de OlmoEarth Artifact License, die ook voor OlmoEarth v1 en v1.2 werd gebruikt. Voorheen betekende het gebruik van OlmoEarth dat modellen moesten worden gefinetuned in OlmoEarth Studio, waarvoor toegang tot GPU’s en lokale opslag van beeldmateriaal nodig waren. Embeddingmodellen comprimeren satellietgegevens daarentegen tot direct bruikbare kenmerken die voor uiteenlopende taken kunnen worden hergebruikt.

Volgens de modelkaart is OlmoEarth-v1_3-Base een ViT-Base-foundationmodel met 128 miljoen parameters voor teledetectie op basis van Sentinel-1-, Sentinel-2- en Landsat-beelden of tijdreeksen van beelden. Het omvat ook een Perceiver met 14,3 miljoen parameters en een lineaire student met 0,1 miljoen parameters, die tokens van 768 dimensies omzet naar 128 dimensies. De modelkaart vermeldt dat dit model, inclusief de student, de jaarlijkse wereldwijde embeddings van OlmoEarth heeft gegenereerd.

Hoe het model embeddings genereert

OlmoEarth v1.3 verwerkt een jaar aan radargegevens van Sentinel-1 en multispectrale tijdreeksen van Sentinel-2 en Landsat, en genereert voor elke pixel van 10 meter op aarde één vector met 128 dimensies. De eerste 64 dimensies kunnen ook zelfstandig worden gebruikt als kleinere embedding. Een vision transformer verwerkt de satellietgegevens, een Attention Pooler voegt de uitvoertokens samen tot één vector per landoppervlak, en een lineaire laag reduceert die vector tot 128 getallen. Het technische rapport beschrijft een Matroesjka-achtige distillatiemethode waarbij een enkele lineaire laag als student in dezelfde voorwaartse doorgang gezamenlijk met de backbone wordt getraind. Volgens het rapport maakt dit de distillatie vrijwel kosteloos.

Volgens het rapport is het uitvoeren van de vision transformer en Attention Pooler met een encoderresolutie van 20 meter en een uitvoerresolutie van 10 meter 7,7 keer goedkoper dan het uitvoeren van de transformer met een resolutie van 10 meter: 308 tegenover 2.378 GMAC’s per venster. Voor de training zijn dezelfde gegevens en methode gebruikt als voor OlmoEarth v1.2: waarnemingen van Sentinel-1, Sentinel-2 en Landsat-8, met kaartgegevens als doelwaarden, zoals WorldCover, WorldCereal, SRTM en OpenStreetMap. Daarbij is de AdamW-optimizer gebruikt met een batchgrootte van 512, gedurende 667.200 stappen.

Benchmarkresultaten en de PLANTEUR-dataset

Ai2 meldt dat de embeddings van v1.3 zijn geëvalueerd ten opzichte van AlphaEarth Foundations en Tessera v2 in 27 evaluaties op zes continenten. De embeddings met 128 dimensies behaalden de hoogste score in 20 van de 27 evaluaties; de versie met 64 dimensies voerde de ranglijst aan in 18 van de 27. Volgens het technische rapport presteerden de embeddings met 128 dimensies beter dan beide basismodellen op 7 van de 8 AEF-datasets. De uitzondering was Ethiopië, waar Tessera v2 beter presteerde dan OlmoEarth v1.3. Op de PASTIS-dataset voor gewastypeclassificatie presteerden ze iets beter dan Tessera v2: 58,6 tegenover 58,3 mIoU.

Met de release introduceerde Ai2 PLANTEUR, een benchmark voor gewastypeclassificatie in tropische landbouw, opgebouwd uit labels uit de Franse overzeese gebieden: Martinique, Réunion, Frans-Guyana, Guadeloupe en Mayotte. De opzet waarbij telkens één eiland wordt weggelaten, test de prestaties op dat eiland wanneer de classifiers zijn getraind op de andere eilanden. Ai2 zegt dat de embeddings van v1.3 het best generaliseren naar gebieden die een classifier nog nooit heeft gezien. Volgens het rapport behaalden de embeddings met 128 dimensies op deze maatstaf 24,9 mIoU, tegenover 19,1 voor Tessera v2 en 15,8 voor AlphaEarth Foundations.

Ai2 beschrijft v1.3 ook als een sterk model voor finetuning, dat op onderzoeks- en partnerlabels even goed presteert als v1.2. Het rapport geeft v1.3 een gemiddelde finetuningrangschikking van 4,34 over alle geëvalueerde modellen en taken: lager dan OlmoEarth v1.2 Base met 4,02 en hoger dan OlmoEarth v1 Base met 4,74.

Trainingskosten en milieueffecten

Ai2 beschrijft OlmoEarth v1.3 als het goedkoopste OlmoEarth-model om te trainen: het vereist 53% van de rekentijd van v1.2 en 18% van die van v1, met respectievelijk 50% en 22% van de koolstofuitstoot. Ai2 schat dat het opnieuw uitvoeren van de voortraining van OlmoEarth v1.3 Base voor de laatste run ongeveer $2.720 zou kosten aan gehuurde H100-rekentijd.

In de tabel over milieueffecten vermeldt het rapport voor de voortraining van OlmoEarth v1.3 Base 539 H100-GPU-uren, 161 kWh en 0,07 tCO2eq. Ter vergelijking: voor v1.2 Base gaat het om 1.012 GPU-uren en 0,14 tCO2eq, en voor v1 Base om 2.989 GPU-uren en 0,32 tCO2eq. Het genereren van de embeddings zelf kost aanzienlijk meer: volgens het rapport vergt één jaar aan wereldwijde embeddings naar schatting ongeveer 14.000 H100-uren, circa 26 keer de kosten van de voortraining.

Wereldwijd archief, Explorer en licenties

Het archief achter de Explorer bevat embeddings met een resolutie van 10 meter, ongeveer 150 TB per jaar, voor landgebieden en de aangrenzende kustwateren. Bij de lancering zijn 2025, 2024 en 2023 wereldwijd gedekt, terwijl de gegevens voor 2017 tot en met 2022 betrekking hebben op een selectie van landen; de dekking wordt verder uitgebreid. Volgens het rapport omvat de volledige dataset van 2017 tot en met 2025 ruim meer dan een petabyte, met dekking van 59,5 graden zuiderbreedte tot 83,6 graden noorderbreedte, met uitzondering van Antarctica. Het rapport vermeldt ook dat Searchlight-inferentie artefacten door het opdelen in tegels heeft verwijderd uit de uitgebrachte embeddings.

De embeddings worden gehost op Source Cooperative als een Zarr-store die rechtstreeks vanuit objectopslag kan worden gelezen met elke Zarr-client; er is geen API-sleutel of tileserver nodig. In vrijgegeven, openbare herkomsttabellen in GeoParquet staan de Sentinel-1-, Sentinel-2- en Landsat-scènes achter elke tegel van 20 kilometer en elk jaar; voor 2025 vermeldt het rapport ongeveer 450.000 vensters, 21 miljoen mozaïekvermeldingen en 730.000 scènes.

De Explorer geeft de embeddings weer als een wereldkaart in valse kleuren. Gebruikers kunnen tussen jaren wisselen, de onderliggende Sentinel-2-beelden bekijken, op een locatie klikken om vergelijkbare plaatsen te vinden, met een handvol gelabelde punten een kleine classifier trainen en het resultaat exporteren als GeoTIFF, zonder dat een account nodig is. De aankondiging van Ai2 illustreert deze aanpak aan de hand van illegale goudwinning in de Peruaanse regio Madre de Dios: volgens het bericht bereikte de mijnbouw rond La Pampa een piek in 2017 en 2018 en legde de Peruaanse operatie Mercurio er in februari 2019 grotendeels een einde aan. Vergelijkingen van embeddings uit 2017–2020 en 2020–2025 laten de eerdere uitbreiding en de voortdurende veranderingen in de voormalige mijnbouwzone zien. Het bericht voegt eraan toe dat Peru in augustus 2026 marinepatrouilles naar het reservaat stuurde nadat aanklagers hadden vastgesteld dat de mijnbouw zich tot in Tambopata zelf had uitgebreid.

Voor werkzaamheden waarvoor een specifieke periode nodig is, past OlmoEarth Studio hetzelfde model toe op door de gebruiker gekozen datums, modaliteiten en resolutie. In een tutorial wordt getoond hoe embeddings op de eigen rekenomgeving van een gebruiker kunnen worden gegenereerd. Volgens het technische rapport beperkt de OlmoEarth Artifact License het gebruik voor militaire, defensiegerelateerde en winningsindustriële toepassingen; de modelkaart voegt eraan toe dat het model bedoeld is voor gebruik in overeenstemming met de richtlijnen voor verantwoord gebruik van Ai2.