Технические характеристики и эффективность
OlmoEarth v1.3 — это модель-основа (foundation model), которая анализирует временные ряды радарных (Sentinel-1) и мультиспектральных (Sentinel-2, Landsat) снимков. На выходе она генерирует один 128-мерный вектор для каждого 10-метрового пикселя на планете. Также доступна облегченная версия с 64 измерениями, которая сохраняет высокую точность при меньшем объеме данных.
Ключевое достижение команды — радикальное снижение вычислительных затрат. Обучение v1.3 потребовало всего 53% времени и 50% углеродных выбросов по сравнению с версией v1.2, а по сравнению с первой версией (v1) экономия составила 82% времени и 78% выбросов. Стоимость воспроизведения финального запуска на арендованных GPU H100 оценивается примерно в $2,720.
Результаты бенчмарков
Модель была протестирована против AlphaEarth Foundations (AEF) и Tessera v2 в 27 различных задачах, охватывающих шесть континентов. OlmoEarth v1.3 показала лучшие результаты в абсолютном большинстве сценариев, особенно в обобщении на новые регионы (бенчмарк PLANTEUR для тропического земледелия).
| Метрика / Модель | OlmoEarth v1.3 (128d) | OlmoEarth v1.3 (64d) | Примечание |
|---|---|---|---|
| Лидерство в бенчмарках | 20 из 27 | 18 из 27 | Сравнение с AEF и Tessera v2 |
| Стоимость обучения (H100) | ~$2,720 | Финальный запуск | |
| Вычислительные затраты | 53% от v1.2 | 53% от v1.2 | Экономия времени и энергии |
| Разрешение данных | 10 метров на пиксель | Глобальный охват | |
Глобальный архив и прозрачность
Allen AI опубликовали предварительно вычисленные эмбеддинги для всей планеты на платформе Source Cooperative. Архив включает данные за 2023, 2024 и 2025 годы в глобальном масштабе, а также выборочные данные за 2017–2022 годы. Объем данных составляет около 150 ТБ в год. Каждому вектору присвоена метаданных о происхождении (provenance), позволяющая отследить конкретные сцены Sentinel и Landsat, использованные для его создания.
Практическое применение: OlmoEarth Embeddings Explorer
Параллельно выпущен интерактивный инструмент OlmoEarth Embeddings Explorer. Он позволяет пользователям без навыков программирования и доступа к GPU исследовать изменения ландшафта, находить похожие регионы и обучать легкие классификаторы «на лету» для экспорта в формате GeoTIFF. Это снижает порог входа для анализа спутниковых данных с часов обучения до секунд.
Пример: Мониторинг незаконной добычи золота в Перу
На примере региона Мадре-де-Дьос показано, как эмбеддинги фиксируют динамику изменений. Сравнение векторов пикселей за 2017–2020 и 2020–2025 годы визуально демонстрирует откат незаконной добычи золота после операции «Меркурий» в 2019 году, а также последующее возобновление активности в других зонах. Это подтверждает способность модели выявлять тонкие изменения в землепользовании без дообучения.
Источник: Hugging Face blog ↗