简介
Google Satellite Embedding 数据集是一个全球性的、可用于分析的地理空间嵌入学习集合。此数据集中的每个 10 米像素都是一个 64 维表示形式，或“嵌入向量”，用于编码单个日历年内各种地球观测仪器和数据集在相应像素及其周围测量的地表条件的时间轨迹。与波段对应于物理测量的传统光谱输入和指数不同，嵌入是特征向量，以不太直观但更强大的方式总结了多源、多模态观测结果之间的关系。
该数据集涵盖陆地表面和浅水区，包括潮间带和珊瑚礁带、内陆水道和沿海水道。极地的覆盖范围受卫星轨道和仪器覆盖范围的限制。
该数据集包含的图片覆盖了大约 163,840 米 x 163,840 米的区域，每张图片有 64 个波段 {A00, A01, …, A63}，对应于 64 维嵌入空间的每个轴。所有频段都应用于下游分析，因为它们共同表示嵌入空间中的 64 维坐标，无法单独解释。
所有图片均以其本地通用横轴墨卡托投影生成（如 UTM_ZONE 属性所示），并且具有 system:time_start 和 system:time_end 属性，这些属性反映了嵌入所汇总的日历年；例如，2021 年的嵌入图片将具有等于 ee.Date(‘2021-01-01 00:00:00’) 的 system:start_time 和等于 ee.Date(‘2022-01-01 00:00:00’) 的 system:end_time。
嵌入向量的长度为单位长度，这意味着它们的模为 1，不需要任何额外的归一化处理，并且分布在单位球体上，因此非常适合与聚类算法和基于树的分类器搭配使用。嵌入空间在不同年份之间也保持一致，并且可以通过考虑两个嵌入向量之间的点积或角度，将不同年份的嵌入用于条件变化检测。此外，这些嵌入还具有线性可组合性，也就是说，它们可以聚合以生成空间分辨率较低的嵌入，也可以通过向量算术进行转换，但仍会保留其语义含义和距离关系。
这些嵌入是由 AlphaEarth Foundations 生成的，这是一个地理空间嵌入模型，可同化多个数据流，包括光学、雷达、LiDAR 和其他来源（Brown、Kazmierski、Pasquarella 等人，正在审核中）。
由于表征是通过学习许多传感器和图像获得的，因此嵌入表征可有效缓解云、扫描线、传感器伪影或数据缺失等常见问题，从而提供可直接替代分类、回归和变化检测分析中其他地球观测图像源的无缝分析就绪型特征。虽然可能会注意到一些大规模条带和数据可用性伪影，但这些伪影通常表示较小的矢量偏移，一般不会对下游处理或结果产生重大影响。
数据集可用性
2017-01-01T00:00:00Z–2024-01-01T00:00:00Z
数据集提供商
Google Earth Engine Google DeepMind
Earth Engine 代码段
ee.ImageCollection(“GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL”)
分辨率
10m
波段信息
Name Description Min Max Units
A00 嵌入向量的第0个维度 -1 1 无量纲
A01 嵌入向量的第1个维度 -1 1 无量纲
A02 嵌入向量的第2个维度 -1 1 无量纲
A03 嵌入向量的第3个维度 -1 1 无量纲
A04 嵌入向量的第4个维度 -1 1 无量纲
A05 嵌入向量的第5个维度 -1 1 无量纲
A06 嵌入向量的第6个维度 -1 1 无量纲
A07 嵌入向量的第7个维度 -1 1 无量纲
A08 嵌入向量的第8个维度 -1 1 无量纲
A09 嵌入向量的第9个维度 -1 1 无量纲
A10 嵌入向量的第10个维度 -1 1 无量纲
A11 嵌入向量的第11个维度 -1 1 无量纲
A12 嵌入向量的第12个维度 -1 1 无量纲
A13 嵌入向量的第13个维度 -1 1 无量纲
A14 嵌入向量的第14个维度 -1 1 无量纲
A15 嵌入向量的第15个维度 -1 1 无量纲
A16 嵌入向量的第16个维度 -1 1 无量纲
A17 嵌入向量的第17个维度 -1 1 无量纲
A18 嵌入向量的第18个维度 -1 1 无量纲
A19 嵌入向量的第19个维度 -1 1 无量纲
A20 嵌入向量的第20个维度 -1 1 无量纲
A21 嵌入向量的第21个维度 -1 1 无量纲
A22 嵌入向量的第22个维度 -1 1 无量纲
A23 嵌入向量的第23个维度 -1 1 无量纲
A24 嵌入向量的第24个维度 -1 1 无量纲
A25 嵌入向量的第25个维度 -1 1 无量纲
A26 嵌入向量的第26个维度 -1 1 无量纲
A27 嵌入向量的第27个维度 -1 1 无量纲
A28 嵌入向量的第28个维度 -1 1 无量纲
A29 嵌入向量的第29个维度 -1 1 无量纲
A30 嵌入向量的第30个维度 -1 1 无量纲
A31 嵌入向量的第31个维度 -1 1 无量纲
A32 嵌入向量的第32个维度 -1 1 无量纲
A33 嵌入向量的第33个维度 -1 1 无量纲
A34 嵌入向量的第34个维度 -1 1 无量纲
A35 嵌入向量的第35个维度 -1 1 无量纲
A36 嵌入向量的第36个维度 -1 1 无量纲
A37 嵌入向量的第37个维度 -1 1 无量纲
A38 嵌入向量的第38个维度 -1 1 无量纲
A39 嵌入向量的第39个维度 -1 1 无量纲
A40 嵌入向量的第40个维度 -1 1 无量纲
A41 嵌入向量的第41个维度 -1 1 无量纲
A42 嵌入向量的第42个维度 -1 1 无量纲
A43 嵌入向量的第43个维度 -1 1 无量纲
A44 嵌入向量的第44个维度 -1 1 无量纲
A45 嵌入向量的第45个维度 -1 1 无量纲
A46 嵌入向量的第46个维度 -1 1 无量纲
A47 嵌入向量的第47个维度 -1 1 无量纲
A48 嵌入向量的第48个维度 -1 1 无量纲
A49 嵌入向量的第49个维度 -1 1 无量纲
A50 嵌入向量的第50个维度 -1 1 无量纲
A51 嵌入向量的第51个维度 -1 1 无量纲
A52 嵌入向量的第52个维度 -1 1 无量纲
A53 嵌入向量的第53个维度 -1 1 无量纲
A54 嵌入向量的第54个维度 -1 1 无量纲
A55 嵌入向量的第55个维度 -1 1 无量纲
A56 嵌入向量的第56个维度 -1 1 无量纲
A57 嵌入向量的第57个维度 -1 1 无量纲
A58 嵌入向量的第58个维度 -1 1 无量纲
A59 嵌入向量的第59个维度 -1 1 无量纲
A60 嵌入向量的第60个维度 -1 1 无量纲
A61 嵌入向量的第61个维度 -1 1 无量纲
A62 嵌入向量的第62个维度 -1 1 无量纲
A63 嵌入向量的第63个维度 -1 1 无量纲
影像属性
名称 描述 类型 说明
MODEL_VERSION 唯一标识用于生成图像的模型版本 字符串 模型版本标识符
PROCESSING_SOFTWARE_VERSION 唯一标识用于生成图像的模型数据处理软件版本 字符串 处理软件版本标识符
UTM_ZONE 用于生成图像的坐标参考系统的UTM分区 字符串 UTM分区标识
DATASET_VERSION 数据集版本 字符串 数据集版本标识符
全部代码
加载Google发布的年度卫星嵌入数据集（64维特征向量）
分别提取2023和2024年的嵌入数据
选择其中三个维度进行RGB可视化展示
通过计算点积/余弦相似度分析两年间地表特征变化
白色区域表示特征变化显著，黑色区域表示特征保持稳定
// 加载Google卫星嵌入数据集（年度版本）
var dataset = ee.ImageCollection('GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL');
// 定义感兴趣点坐标（美国加州某位置）
var point = ee.Geometry.Point(-121.8036, 39.0372);
// 获取两个年份的嵌入图像
var image1 = dataset
.filterDate('2023-01-01', '2024-01-01') // 筛选2023年度数据
.filterBounds(point) // 筛选包含目标点的图像
.first(); // 获取第一幅匹配图像
var image2 = dataset
.filterDate('2024-01-01', '2025-01-01') // 筛选2024年度数据
.filterBounds(point)
.first();
// 可视化参数设置：将嵌入空间的三个维度(A01,A16,A09)显示为RGB三通道
var visParams = {
min: -0.3, // 像素值显示范围最小值
max: 0.3, // 像素值显示范围最大值
bands: ['A01', 'A16', 'A09'] // 选择嵌入向量的第1、16、9个维度作为RGB通道
};
// 将两个年份的嵌入图像添加到地图
Map.addLayer(image1, visParams, '2023年嵌入数据');
Map.addLayer(image2, visParams, '2024年嵌入数据');
// 计算点积作为嵌入向量相似性度量（归一化向量即为余弦相似度）
var dotProd = image1
.multiply(image2) // 逐像素相乘
.reduce(ee.Reducer.sum()); // 对各维度乘积求和得到点积
// 将相似性计算结果添加到地图（白色表示差异大，黑色表示相似度高）
Map.addLayer(
dotProd,
{
min: 0, // 最小相似度值
max: 1, // 最大相似度值
palette: ['white', 'black'] // 颜色映射：白→黑
},
'年份间相似度（越亮表示差异越大）'
);
// 地图显示设置
Map.centerObject(point, 12); // 以目标点为中心，缩放级别12
Map.setOptions('SATELLITE'); // 使用卫星底图
两年内相似地块的查询结果：越亮表示越接近
2024年的embedding数据
2023年
GEE APP
点击地图任何一个点查看可视化结果
黄鹤楼附近
看高清影像
