Die Kartografie war schon immer eine verlustbehaftete Kompression. Man kann eine Kugel nicht auf ein Blatt flachen, ohne etwas zu zerreissen — Gauss bewies das 1827 mit seinem Theorema Egregium: Die innere Krümmung einer Oberfläche ist eine feste Zahl, und keine Projektion kann sie unverändert auf eine Ebene übertragen. Jede Karte, die Sie je benutzt haben, ist eine Verhandlung mit diesem Theorem, die Winkel gegen Fläche und Entfernung gegen Form eintauscht. Deshalb lohnt es sich innezuhalten bei dem, was Google DeepMind dieses Jahr tatsächlich versendet hat: nicht eine bessere Projektion, sondern eine andere Art der Reduktion.

AlphaEarth Foundations komprimiert ein volles Jahr multispektrale Erdbeobachtung — optisch, Radar, thermal, Höhe, alles zusammen — in einen einzigen 64-dimensionalen Embedding-Vektor für jeden 10-Meter-Pixel des Landes und der Küstengewässer der Erde. Die jährlichen Schichten werden als Satellite Embedding V1-Datensatz innerhalb von Google Earth Engine versendet, dieselbe Plattform, die nach eigenem Katalog bereits mehr als achtzig Petabyte Bilder und dreissig Jahre Geschichte enthält. DeepMind beschreibt das Modell als funktionierend “wie ein virtueller Satellit”; die schärfere Beschreibung ist ein Wechsel der Koordinaten. Vierundsechzig Achsen, vom Modell und nicht von einer Projektion gewählt, die den zustand der Oberfläche statt ihrer Form halten.

←HEUTE: Ein Jahr multispektrale Erdbeobachtung passt jetzt in 64 Zahlen pro 10-Meter-Pixel, kostenlos in Earth Engine für akademische Nutzung.
→3012: Jede Parzelle trägt einen Live-Embedding; das Modell hat den Boden gelesen, bevor der Vermessungswagen den Hof verlassen hat.
Drehpunkt: Ein Planet, den man nicht ohne Verzerrung flachen kann, kann immer noch ohne Verlust indiziert werden — der Gewinn liegt darin, die richtigen 64 Achsen zu wählen, nicht die richtige Karte.

Hier ist der Grund, warum das jetzt möglich ist und nicht vor fünf Jahren. Die Grenzlinie, die dies vorantrieb, liegt nicht bei der Fernerkundung — sie liegt bei der Representation Learning, dieselbe Linie, die PAZ durch Kontextfenster und Embeddings gezogen hat. Ein gekrümmter, spektral verrauschter, saisonal verschieblicher Planet ist genau die Art von rauem, hochdimensionalem Signal, das sich handgebauten Merkmalen widersetzte. Die Physik, die jeden Breitengrad/Längengrad regiert — der Sonnenwinkel, der atmosphärische Pfad, die Art, wie die Sonneneinstrahlung bei 47°N sich vom Äquator am selben Kalendertag unterscheidet — ist genau das, was ein gelerntes Embedding ohne genannte Gleichungen absorbieren kann. Es liest die Folge der Umlaufbahn vom Pixel ab.

Und die Umlaufbahn sitzt nicht still. Die Erdachse präzessiert durch einen vollen Kreis in etwa 25’772 Jahren — dem Platonischen Grossen Jahr — und zieht das Äquinoktium etwa ein Grad alle 71,6 Jahre, einen 30°-“Äon” alle ~2’150 Jahre. Das ist eine langsame Zahl, aber sie bedeutet, dass die Beziehung zwischen einem Ort und der Sonne, die ihn erleuchtet, selbst ein bewegliches Ziel ist. Jeder Planetary-Index, der Entscheidungen für ein Jahrhundert verdient, muss wissen, dass er ein System in Bewegung misst, nicht eine Fotografie.

Atelier: Für ein Atelier, das an Standort- oder Wettbewerbsarbeiten tätig ist, ist der Embedding ein georeferenzierter Merkmalvektor, den Sie direkt in GIS vor der Feldvermessung ziehen können. Er wird die Vermessung nicht ersetzen, aber er wird es Ihnen erlauben, einen Standort gegen seine Nachbarn zu clustern und zu kennzeichnen, was sich — still, über Jahre — geändert hat, das kein Ortsbesuch im September offenbaren würde. Montag-Move: Ziehen Sie die Satellite-Embedding-Schicht für die Koordinaten Ihres nächsten Wettbewerbsstandorts in Earth Engine und clustern Sie sie gegen die umgebenden Parzellen; behandeln Sie die Ausreisser als Fragen, nicht als Antworten.

Hack: Messen Sie, wie viel sich ein Standort zwischen zwei Jahren geändert hat, als der Winkel zwischen seinen Embeddings, nicht der Unterschied zwischen zwei Bildern. Die Satellite-Embedding-Vektoren werden mit Einheitslänge versendet, so dass ihr Skalarprodukt ist die Kosinus-Ähnlichkeit — 1 bedeutet die Oberfläche hielt ihren Zustand, nahe 0 bedeutet sie transformierte sich. Ziehen Sie beide jährlichen Bilder, multiplizieren Sie sie bandweise und summieren Sie über die 64 Achsen, um eine Zahl zu lesen.

import ee; ee.Initialize()
emb  = ee.ImageCollection('GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL')
site = ee.Geometry.Point([8.541, 47.376])   # Zurich HB, 10 m pixel
a, b = [emb.filterDate(f'{y}-01-01', f'{y}-12-31').first() for y in (2021, 2023)]
print(a.multiply(b).reduce('sum').reduceRegion(ee.Reducer.first(), site, 10).getInfo())  # Einheitsvektoren: 1 = unverändert, 0 = verändert

Aus der Perspektive der späten 2070er, eine Warnung über Indices wie diesen: Der Fehlermodus meiner Generation war nie die Demo — es war das Skalieren einer Kompression, bevor wir wussten, was sie fallen liess. Vierundsechzig Achsen ist viel Information und auch eine Entscheidung über das, was zu verwerfen ist, und das Modell gibt dir nicht die Fehlerbalken pro Pixel. DeepMind berichtet, dass bereits mehr als 50 Partnerorganisationen es zur Klassifizierung von Ökosystemen und zum Verfolgen von Entwaldung nutzen; das ist real, und es ist auch genau der Moment, um eine Zahl in deiner Tasche zu halten. Bevor du einen Embedding anstelle einer Vermessung an einem hundertjährigen Gebäude einstehen lässt, verifiziere ihn gegen Feldwahrheit auf den Parzellen, die du kennst — und behalte die Rohbänder, damit ein zukünftiges Team eine Frage stellen kann, auf die diese 64 Zahlen nie trainiert wurden zu antworten.

Öffne Earth Engine, wähle einen Pixel, den du verstehst, und lies, was das Modell sah. Das ist die ganze Disziplin: Überprüfe die Kompression gegen eine Wahrheit, die du zu Fuss erreichen kannst.

Quellen und weiterführende Lektüre

• Primär: Google DeepMind — AlphaEarth Foundations hilft unseren Planeten beispiellos detailliert abzubilden
• Ergänzend: Satellite Embedding V1 — Earth Engine Data Catalog