Model Tessera AI oferuje przystępny sposób oglądania Ziemi
Główny model, trenowany na danych obserwacyjnych Ziemi pochodzących z Copernicus Sentinel-1 i Sentinel-2, trafił do szerokiego grona naukowców; informacja została ogłoszona podczas branżowej konferencji informatycznej w tym tygodniu w Denver, USA.
Tessera, nowoczesny model sztucznej inteligencji (AI), generuje zestawy danych o wysokiej precyzji, które odzwierciedlają to, co satelita rejestruje na Ziemi w skali roku. Te skompresowane reprezentacje mogą służyć naukowcom do tworzenia szczegółowych map.
Najważniejsze, embeddingi - zakodowane zbiory danych - wykorzystują znacznie mniejszą ilość danych od surowych obrazów pikselowych przesyłanych z satelitów. Model wspiera różnorodne zastosowania, od monitorowania upraw po ocenę obszarów objętych pożarem i kondycji koron lasów.
Artykuł o Tessera ukazał się na konferencji IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) w 2026 roku, która odbyła się w dniach 3-7 czerwca. Premiera samego modelu miała miejsce w 2025 roku, a publikacja stanowi pierwsze w pełni recenzowane ogłoszenie Tessera dla środowiska naukowego.
Model podstawowy - Temporal Embeddings of Surface Spectra for Earth Representation and Analysis, czyli Tessera, powstał w wyniku prac badaczy z Uniwersytetu w Cambridge, we współpracy z partnerami z całego świata i Europy, w tym z Aalto University w Finlandii.
Przetworzone zestawy Tessery, czyli embeddingi, wnoszą szereg korzyści dla społeczności zajmującej się obserwacją Ziemi. Dzięki wstępnemu treningowi embeddingi wychwytują wzorce i zmiany w czasie, które inne metody musiałyby nabyć od podstaw. Oznacza to, że osoby bez zaawansowanej wiedzy z zakresu AI mogą rozwiązywać problemy teledetekcyjne na skalę globalną, operując jedynie częścią wcześniej oznaczonych danych. Embeddingi są również na tyle lekkie, że można z nich korzystać na laptopie lub smartfonie, co czyni je dostępnymi dla użytkowników z ograniczonymi zasobami obliczeniowymi. Jako projekt open-source, mogą być swobodnie modyfikowane, otwierając prawie nieograniczone możliwości wykorzystania danych satelitarnych do badania Ziemi.
Według Nuno Mirandy, Menedżera Misji Sentinel-1 w Europejskiej Agencji Kosmicznej (ESA), to innowacyjny i ekscytujący krok w rozwoju i zastosowaniu AI w dziedzinie obserwacji Ziemi. Powiedział: "Modele podstawowe wyznaczają nową granicę AI w teledetekcji. Tessera pokazuje praktyczne zastosowania danych z misji Sentinel-1 i Sentinel-2, pomagając użytkownikom lepiej analizować i rozumieć funkcjonowanie Ziemi."
Srinivasan Keshav, profesor Uniwersytetu Cambridge i współlider projektu Tessera, zauważył: "Dzięki Tessera udało nam się złagodzić część wyzwań związanych z obsługą ogromnych ilości danych udostępnianych przez Copernicus. Embeddingi ułatniają dostęp do danych społecznościom, które tradycyjnie były wykluczone, w tym w ekologii, ochronie przyrody, naukach roślin i zoologii. Umożliwiliśmy również ich bezpłatne i bez rejestracji udostępnianie, otwierając drzwi do wielu nowych, kluczowych problemów."
Tessera przetwarza ogromne ilości danych teledetekcyjnych z misji Copernicus, Sentinel-1 i Sentinel-2. Łączy dane optyczne z Sentinel-2 z zaawansowanymi danymi radarowymi SAR z Sentinel-1. Zbiory optyczne i radarowe są łączone przez model podstawowy i przetwarzane w globalne embeddingi obejmujące każdy rok od 2017 do 2025.
W efekcie Tessera zastępuje ciężkie, pikselowe obrazy satelitarne ich skompresowanymi odpowiednikami embeddingów danych Ziemi. Działa na rozdzielczości 10 m, równej maksymalnej rozdzielczości zarejestrowanej przez Sentinel-2.
Warstwy embeddingów Tessery to de facto skompresowane dane obserwacyjne Ziemi z uzupełnionymi brakującymi wartościami. Każdy piksel o rozdzielczości 10 m zawiera szereg czasowy zmian w roku, co daje badaczom obraz ewolucji terenu w formacie przeszukiwalnym.
Tessera oferuje narzędzia umożliwiające przeszukiwanie i porównywanie zdjęć Ziemi na różne sposoby. Użytkownicy mogą wyszukiwać regiony o podobnych cechach geograficznych, analizować zmiany krajobrazu oraz prognozować stan roślinności i rozwój zabudowy miejskiej.
Projekt mający siedzibę w Wielkiej Brytanii, obejmujący Tessera, rozwija metody oceny programów ochrony przyrody rządu Wielkiej Brytanii z wykorzystaniem danych Sentinel-1 i Sentinel-2. Naukowcy zastosowali embeddingi Tessery do monitorowania zmian siedlisk na terenach objętych ochroną w Cumbrii. Inicjatywa, będąca partnerstwem między Tessera, Endangered Landscapes and Seascape Programme i innymi brytyjskimi partnerami, mogłaby ostatecznie zapewnić rządowi sposób mierzenia skuteczności subsydiów rolnych i ochrony przyrody.
Jednym z współliderów Tessery i starszym badaczem w projekcie monitorowania krajobrazu Cumbrii, profesorem Davidem Coomes z Uniwersytetu Cambridge, powiedział: "Monitorowanie tych zmian środowiskowych na ogromnych skalach jest dokładnie tym rodzajem problemu, do którego Tessera została zaprojektowana, aby go rozwiązać."
Tessera promuje przejrzystość i powtarzalność. Jest otwarte źródło i zgodny z zasadami FAIR (Findable, Accessible, Interoperable, Reusable) - zestawem szeroko przyjętych wytycznych opracowanych przez międzynarodową społeczność badawczą dotyczącym ponownego wykorzystania zasobów cyfrowych.
Oferuje otwartą i przejrzystą alternatywę dla systemów takich jak AlphaEarth Foundations, model AI firmy Google DeepMind, który również kompresuje złożone dane satelitarne z wielu źródeł, tworząc embeddingi przy użyciu zamkniętego modelu.
Co więcej, Tessera ułatwia dostęp do danych Copernicus i oferuje wydajny sposób eksplorowania danych obserwacji Ziemi.
Według Srinivasan Keshava z Uniwersytetu Cambridge, "Adopcja embeddingów reprezentuje zmianę paradygmatu. Zamiast dystrybuować ciężkie obrazy, modele takie jak Tessera mogą teraz dostarczać użytkownikom końcowym skompresowane semantyczne reprezentacje informacji o powierzchni Ziemi osadzone w oryginalnych danych."
Kilka zespołów pracuje nad modelami podstawowymi do obserwacji Ziemi, co stawia Europę w czołówce tego pola. ESA również była pionierem w rozwoju modeli podstawowych wytrenowanych na danych obserwacji Ziemi poprzez swoje otwarte laboratorium innowacji ?-lab, ośrodek i katalizator innowacji w obserwacji Ziemi. Dwa modele podstawowe, które niedawno powstały w ?-lab, to Thor, opracowany przez Norweskie Centrum Obliczeniowe, oraz TerraMind, rozwijany we współpracy z IBM Research Europe. Co istotne, w przeciwieństwie do modeli takich jak Tessera czy AlphaEarth, które agregują informacje do embeddingów długoterminowych lub rocznych, zarówno Thor, jak i TerraMind koncentrują się na uczeniu z pojedynczych obserwacji, zachowując bogatą informację kontekstową przestrzenną w pojedynczych migawkach obrazowych, zamiast zawierać wszystko w jednej skompresowanej reprezentacji.
Thor (Transformer-based foundation model for Heterogeneous Observation and Resolution) to wszechstronny, wielomodalny model podstawowy, który łączy różne typy danych i został zaprojektowany tak, by pokonać wyzwania związane z różnorodnością wejść i sztywnymi ograniczeniami wdrożeniowymi. Podczas gdy większość obecnych modeli podstawowych ma architektonicznie sztywne możliwości, Thor pozwala użytkownikowi dostosować wewnętrzną rozdzielczość i zoptymalizować wydajność obliczeniową. Jest trenowany na danych z Sentinel-1, -2 i -3. Model ten był finansowany i wspierany w ramach projektu ESA Foundation Models for Climate and Society (FM4CS).
TerraMind, bazowy model opublikowany w kwietniu 2025 r., również jest wielomodalny i potrafi odpowiadać na pytania dotyczące klimatu i natury. Jego kluczowa innowacja polega na nauce wspólnej przestrzeni reprezentacji łączącej wiele źródeł danych geospatycznych - w tym obrazy satelitarne, topografię, użytkowanie/pokrycie terenu, elewację i geolokalizację. Umożliwia to rozumowanie między modalnościami i interakcję opartą na zapytaniach z danymi systemu Ziemi. Dzięki wspólnemu osadzaniu tych różnorodnych źródeł TerraMind wykracza poza tradycyjne modele ukierunkowane na konkretne zadania i dąży do bardziej uniwersalnych ram inteligencji geospacialnej. Został wytrenowany na zestawie danych składającym się z ponad dziewięciu milionów próbek rozmieszczonych globalnie, obejmujących osiem komplementarnych typów danych, w tym radar z Copernicus Sentinel-1 i optyczne obrazy Sentinel-2.
Dziękujemy, że przeczytałaś/eś artykuł! Obserwuj nas w Wiadomościach Google.
