Extending Dynamic World Surface Water Mapping to Sentinel-1 with AlphaEarth Embeddings
Aggiunta all'archivio di AIChronos il (numero del 5 ottobre 2026 ricostruito)· fonte del · Rohit Mukherjee, Frederick Policelli, Beth Tellman, TC Chakraborty, Jonathan Giezendanner, Jonathan A. Sullivan
Il Dynamic World (DW) mappa l'uso del suolo e la copertura terrestre globalmente a risoluzione di 10 m utilizzando immagini Sentinel-2, ma è limitato alle osservazioni prive di nuvole. Questo lavoro estende tale capacità al satellite Sentinel-1 (SAR), sfruttando le classi d'acqua DW come supervisione debole per un modello basato su dati SAR e incorporando contesti spaziali tramite gli embedding annuali di AlphaEarth Foundations (AEF). Su 53 scene globali, il modello ibrido che fonde i backscatter S1 con gli AEF raggiunge una intersezione unitaria dell'Unione (IoU) sull'acqua pari a 0.85, superando significativamente sia le prestazioni del solo Sentinel-1 sia quelle del prodotto operativo OPERA DSWx-S1.
- Utilizzo delle classi d'acqua di Dynamic World come supervisione debole per addestrare modelli su dati SAR (Sentinel-1).
- Integrazione degli embedding spaziali annuali di AlphaEarth Foundations con i dati temporali del backscatter radar.
- Il modello fuso supera il prodotto operativo OPERA DSWx-S1 in 48 delle 53 scene testate e raggiunge un IoU benchmark di 0.94.
- Gli embedding pre-addestrati su larga scala (come AlphaEarth) possono fornire contesto spaziale cruciale per compiti specifici come la mappatura dell'acqua.
- I prodotti ottici globali offrono etichette scalabili e robuste per l'addestramento di modelli SAR.
Perché conta. Per gli sviluppatori che lavorano con LLM, agenti o AI locale, questo approccio illustra come integrare embedding pre-addestrati su larga scala (simili a quelli usati in RAG o per il contesto spaziale) con dati di osservazione specifici del dominio per migliorare drasticamente le prestazioni dei modelli senza richiedere dataset etichettati massivi da zero.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.