Cosa cambia: dal pixel spettrale al pixel semantico
Il telerilevamento classico lavora su bande spettrali: ogni pixel contiene i valori di riflettanza misurati dai sensori. Gli embedding satellitari di AlphaEarth Foundations, il foundation model geospaziale di Google DeepMind, ribaltano questo schema. Ogni pixel da 10 metri non porta piu una riflettanza, ma un vettore a 64 dimensioni che sintetizza la semantica spaziale e temporale dell'area, esattamente come un embedding testuale rappresenta il significato di una parola.
Il modello e addestrato su fonti eterogenee, dall'ottico al radar SAR fino a LiDAR ed elevazione, e distilla anni di osservazioni in un unico strato annuale. La novita che rende la cosa interessante per chi lavora in desktop GIS non e il modello in se, ma la sua distribuzione: gli embedding sono ora disponibili come Cloud Optimized GeoTIFF (COG), quindi apribili direttamente in QGIS senza passare da Google Earth Engine.
Il dato: struttura e accesso
Il dataset copre gli anni 2017-2025 con cadenza annuale. Ogni tile e un COG di 8192 x 8192 pixel con 64 canali (da A00 a A63), valori interi a 8 bit con segno; il valore -128 indica i pixel mascherati. La copertura e organizzata per zona UTM, con geometria fornita anche in WGS84 (EPSG:4326).
L'accesso e doppio. La versione ufficiale risiede in un bucket Google Cloud Storage di tipo requester-pays; in parallelo esiste una replica aperta su Source Cooperative con licenza CC-BY 4.0 (attribuzione a Google e Google DeepMind), oltre a un mirror nel Registry of Open Data di AWS. In pratica il dato e consultabile in streaming, senza scaricare terabyte in locale, sfruttando la natura cloud-native del formato COG.
Aprirli in QGIS
QGIS gestisce correttamente questi COG, incluso l'orientamento bottom-up dei tile, e li visualizza senza artefatti. Basta aggiungere il raster tramite percorso remoto (prefisso /vsicurl/ o /vsigs/ per GDAL) oppure caricare il file locale. Da riga di comando con GDAL puro l'accesso diretto puo generare errori di orientamento: per questo il dataset include file .vrt di appoggio che correggono la geometria on-the-fly. Consiglio di puntare al .vrt quando si automatizza con gdal_translate o gdalwarp.
Trattandosi di 64 bande, la resa a schermo va impostata a mano: si sceglie una terna di canali per un rendering RGB pseudo-colore, utile solo a colpo d'occhio. Il valore vero e altrove.
Perche interessa all'analista GIS
La forza degli embedding e la metrica di similarita. Poiche ogni pixel e un vettore, la similarita del coseno o il prodotto scalare tra due pixel misurano quanto due aree si somigliano dal punto di vista del contenuto reale del territorio. Da qui tre usi immediati in QGIS e nel Processing:
- Classificazione con poche etichette: con qualche decina di punti di training si ottengono mappe tematiche accurate, perche il lavoro di rappresentazione lo ha gia fatto il modello.
- Ricerca per similarita: selezionato un pixel di riferimento (per esempio un uliveto), si estraggono tutte le aree con embedding simile su scala regionale.
- Change detection semantico: la distanza tra il vettore 2018 e il vettore 2025 dello stesso pixel evidenzia cambiamenti d'uso del suolo senza allineare bande e correggere atmosfera.
Fonte originale dell'annuncio: Google Earth, "AlphaEarth Foundations Satellite Embeddings: Now Available on Google Cloud Storage". La replica aperta e documentata su Source Cooperative (Taylor Geospatial Engine).
Porta gli embedding satellitari nei tuoi progetti
Vuoi integrare AlphaEarth Foundations in un workflow QGIS o in un WebGIS con classificazione a poche etichette e change detection? Posso strutturare la pipeline, dal caricamento COG all'output tematico.