Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind30. Juli 2025 · Q002639

AlphaEarth Foundations helps map our planet in unprecedented detail

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

AlphaEarth Foundations bündelt laut Google DeepMind vielfältige Erdbeobachtungsdaten zu kompakten, jährlichen Einbettungen für detaillierte Karten von Land und Küstengewässern. Das Team berichtet von besseren Vergleichsergebnissen und 24 Prozent weniger Fehlern als bei getesteten Modellen; Partner erproben den Datensatz unter anderem für Ökosystem- und Umweltkarten, doch der Artikel bietet keine vollständigen Testdetails oder unabhängigen Wirkungsnachweise.

Mittel

Der Bericht beschreibt AlphaEarth Foundations als KI-Modell von Google DeepMind und Google Earth Engine, das optische Satellitenbilder, Radar, Lasermessungen, Klimasimulationen und weitere öffentliche Daten zu einer einheitlichen Darstellung von Landflächen und Küstengewässern verbindet. Es bildet nach Angaben des Teams räumliche Felder von zehn mal zehn Metern ab und speichert die Ergebnisse als kompakte Einbettungen. Diese benötigten im Vergleich zu den getesteten KI-Systemen sechzehnmal weniger Speicherplatz. Die jährlichen Einbettungen stehen als Satellite Embedding Dataset in Google Earth Engine bereit; der Bericht nennt mehr als 1,4 Billionen Einbettungen pro Jahr.

In Vergleichen mit herkömmlichen Verfahren und anderen KI-Systemen habe das Modell bei Aufgaben wie Landnutzungsklassifikation und der Schätzung von Oberflächeneigenschaften am besten abgeschnitten. Das Team berichtet von durchschnittlich 24 Prozent weniger Fehlern, auch bei knappen beschrifteten Daten. Über 50 Organisationen hätten den Datensatz erprobt. Beispiele sind die Kartierung bisher nicht erfasster Ökosysteme durch den Global Ecosystems Atlas und die Analyse von Veränderungen in Brasilien durch MapBiomas. Die beschriebenen Vorteile beruhen auf Angaben des Teams und seiner Partner. Der Artikel liefert keine vollständigen Testdetails oder unabhängigen Wirkungsnachweise. Künftige Anwendungen mit Sprachmodellen werden als Möglichkeit benannt.

Ausführlich lesen

Der Bericht stellt AlphaEarth Foundations vor, ein KI-Modell von Google DeepMind und Google Earth Engine, das Beobachtungsdaten der Erde zu einer einheitlichen digitalen Darstellung zusammenführen soll. Als „virtueller Satellit“ soll es Landflächen und Küstengewässer in einer konsistenten Form beschreiben und dadurch Veränderungen besser kartierbar machen. Als mögliche Anwendungsfelder nennt der Bericht Ernährungssicherheit, Entwaldung, Stadtwachstum und Wasserressourcen.

Das Modell verarbeitet nach Angaben des Teams Daten aus zahlreichen öffentlichen Quellen, darunter optische Satellitenbilder, Radar, dreidimensionale Lasermessungen und Klimasimulationen. Es ordnet die Informationen räumlichen Feldern von zehn mal zehn Metern zu und bildet zeitliche Veränderungen ab. Die Ergebnisse werden als kompakte Einbettungen gespeichert. Das Team gibt an, diese benötigten im Vergleich zu den anderen von ihm getesteten KI-Systemen sechzehnmal weniger Speicherplatz. Eine jährliche Sammlung solcher Einbettungen wird als Satellite Embedding Dataset in Google Earth Engine bereitgestellt; sie umfasst laut Bericht mehr als 1,4 Billionen räumliche Einbettungen pro Jahr.

Zur Leistungsbewertung vergleicht der Bericht AlphaEarth Foundations mit herkömmlichen Verfahren und anderen KI-Kartierungssystemen. Das Modell habe bei mehreren Aufgaben und Zeiträumen, etwa der Erkennung von Landnutzung und der Schätzung von Oberflächeneigenschaften, am genauesten abgeschnitten. Das Team berichtet außerdem von einer im Durchschnitt um 24 Prozent niedrigeren Fehlerrate als bei den verglichenen Modellen und hebt hervor, dass die Leistung auch bei wenigen beschrifteten Beispielen gut gewesen sei. Der Artikel verweist für weitere Einzelheiten auf eine wissenschaftliche Arbeit, führt hier aber weder die vollständigen Testbedingungen noch die einzelnen Vergleichswerte aus.

Der Bericht nennt Rückmeldungen von mehr als 50 Organisationen, mit denen das Dataset im vergangenen Jahr erprobt worden sei. Dazu gehören unter anderem die Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen, Harvard Forest, MapBiomas und Universitäten. Der Global Ecosystems Atlas nutze die Daten, um bislang nicht kartierte Ökosysteme wie Küstenbuschland und hyperaride Wüsten einzuordnen. MapBiomas teste sie zur Analyse landwirtschaftlicher und ökologischer Veränderungen in Brasilien. Beteiligte beschreiben mögliche Vorteile für Naturschutz, nachhaltige Entwicklung und die Geschwindigkeit sowie Genauigkeit der Kartenerstellung. Diese Beispiele und Bewertungen werden im Artikel als Partnererfahrungen wiedergegeben; unabhängige Wirkungsnachweise enthält der Text nicht.

Das Team erklärt, es wolle die zeitlichen Fähigkeiten des Modells weiter untersuchen und jährliche Einbettungen künftig möglicherweise mit allgemeineren Sprachmodellen und KI-Agenten kombinieren. AlphaEarth Foundations ist Teil von Google Earth AI. Der Bericht beschreibt damit ein veröffentlichtes Modell und einen verfügbaren Datensatz, belegt aber nicht, dass alle genannten Anwendungen bereits flächendeckend eingesetzt werden oder konkrete politische beziehungsweise ökologische Ergebnisse erzielt haben.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Lunas beide Zusammenfassungen geben den Bericht treu wieder; Zahlen wie 24 Prozent, sechzehnmal weniger Speicher und 1,4 Billionen Einbettungen pro Jahr stimmen mit dem Text überein. Die Aussage, der Artikel biete keine vollständigen Testdetails, ist eine eigene Wertung, die sich aus dem fehlenden Methodenteil ergibt. Die Einordnung zeigt, dass der Bericht zu den Sammelfragen kaum etwas beiträgt; Lunas höhere Stufen bei SF-H3 und SF-E4 sind daher zu hoch.

Im Bericht, aber nicht in der Zusammenfassung

  • Die 64 Dimensionen der Einbettung als Kernmerkmal des Datensatzes
  • Die Beispiele aus Ecuador und der Antarktis zur Sichtbarkeit von Details trotz Wolken und schwieriger Aufnahmebedingungen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 47 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 77 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 36 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 57 %umfangreiche Belege
    • JEV 46 %beantwortet teilweise oder widerspricht
    • amos 23 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 71 %Hintergrund, keine Belege
    • JEV 60 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →