GEE数据集：2017-2024年全球多源遥感数据融合的全新10米数据集（无量纲）Satellite Embedding V1

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

影像属性

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

GEE APP