Scienza

AlphaEarth, l’Ai di Google che mappa la Terra con una precisione mai vista

Disponibile gratuitamente attraverso Google Earth Engine per ricercatori e organizzazioni, è la nuova frontiera delle mappe globali secondo DeepMind

5 agosto 2025

3' di lettura

Google DeepMind ha appena presentato AlphaEarth Foundations, un modello di intelligenza artificiale che funziona come un vero e proprio “satellite virtuale”, in grado di mappare l’intero pianeta con una precisione fino a 10 per 10 metri. Il sistema elabora petabyte di dati di osservazione terrestre provenienti da fonti multimodali, tra cui satelliti ottici come Sentinel 2 e Landsat, radar ad apertura sintetica (SAR), rilievi lidar 3D, modelli climatici, dati altimetrici e persino testi georeferenziati. Tutte queste informazioni vengono fuse in una rappresentazione digitale coerente del pianeta, resa disponibile attraverso il Satellite Embedding dataset su Google Earth Engine.

Il dataset annuale è pronto all’uso, distribuito con licenza open source (Apache 2.0) e corredato da tutorial e da un programma di grant fino a 5.000 dollari per applicazioni scientifiche. A differenza di molte soluzioni precedenti, non richiede fasi complesse di preprocessing (come il mascheramento delle nuvole o la correzione atmosferica), e consente così un accesso più immediato ed economico a capacità di osservazione terrestre avanzate. In questo modo, tecnologie fino a ieri riservate a grandi centri di ricerca o aziende con risorse computazionali significative diventano accessibili anche a enti locali, startup, ONG e università.

I numeri della nuova applicazione

AlphaEarth non è un satellite, ma agisce come se lo fosse. Il sistema interpreta decine di fonti eterogenee – dati ottici, radar, altimetrici, meteorologici e testuali – e le fonde in una singola rappresentazione numerica, chiamata “embedding”, che condensa l’informazione raccolta in un anno intero in uno spazio vettoriale a 64 dimensioni. È come tradurre l’aspetto, la funzione e la composizione di ogni metro quadro della Terra in una formula leggibile da una macchina. Questo consente non solo di ridurre lo spazio necessario per archiviare i dati, ma anche di migliorarne la qualità. I test mostrano una riduzione dell’errore medio del 24% rispetto agli approcci precedenti, con prestazioni superiori anche in condizioni complesse come quelle dell’Amazzonia, del Sahel o dell’Antartide.

Il risultato è una drastica riduzione (sedici volte meno) dello spazio di archiviazione. Tradotto in termini economici, significa una netta riduzione dei costi per l’analisi geospaziale su scala planetaria, un fattore cruciale per rendere accessibili tecnologie che fino a poco tempo fa erano riservate a grandi aziende e centri di ricerca. Il sistema analizza le superfici terrestri e le acque costiere del pianeta suddividendole in quadrati da 10×10 metri, e consente di tracciare i cambiamenti nel tempo con un livello di dettaglio straordinario. Ogni pixel, per intendersi, copre un’area più piccola di un campo da calcio, sufficiente per monitorare singoli isolati urbani o piccoli appezzamenti agricoli.

Il dataset generato da AlphaEarth è tra i più grandi mai prodotti nel suo genere: oltre 1,4 trilioni di embedding geospaziali all’anno. Il sistema non si limita a fornire immagini: trasforma dati grezzi in intelligence operativa, abilitando anche la modellazione predittiva dei cambiamenti ambientali.

Oltre le nuvole: quando l’AI vede quello che i satelliti non possono

AlphaEarth eccelle in scenari complessi e casi limite, come per esempio la produzione di mappe accurate in zone costantemente nuvolose. In Ecuador, per esempio, il modello riesce a vedere attraverso la copertura nuvolosa persistente per dettagliare appezzamenti agricoli in varie fasi di sviluppo. In Antartide, area notoriamente difficile da immaginare a causa dell’imaging satellitare irregolare, riesce a mappare una superficie complessa con dettagli chiari. E in Canada ha reso visibili variazioni nell’uso del suolo agricolo invisibili all’occhio nudo. La chiave sta nell’architettura “Space Time Precision” (STP), che elabora simultaneamente dati spaziali, temporali e di risoluzione. Per la prima volta, un sistema di osservazione terrestre supporta il “tempo continuo”: può creare mappe accurate per qualsiasi periodo specifico, anche interpolando tra osservazioni o estrapolando in periodi senza copertura satellitare diretta.

Rispetto alle mappe satellitari tradizionali, il vantaggio principale è che il modello di DeepMind elimina buona parte del “rumore” legato alla variabilità quotidiana. Non lavora su immagini istantanee ma su dati medi annuali, consentendo una visione più stabile e rappresentativa. A differenza di molti modelli di machine learning, il sistema non cerca di ricostruire pixel per pixel l’aspetto visivo del territorio, ma la sua natura statistica, funzionale e ambientale.

I partner e l’utilizzo sul campo

Negli ultimi 12 mesi, oltre 50 organizzazioni hanno già testato il dataset su applicazioni reali, inclusi la FAO, la Stanford University e il progetto brasiliano MapBiomas, la piattaforma per monitorare la deforestazione in Brasile, lanciata in collaborazione con Google. I casi d’uso sono molti: dalla lotta alla deforestazione al monitoraggio dell’erosione costiera, dalla pianificazione agricola alla scelta dei siti ideali per impianti fotovoltaici. In ambito accademico, alcuni ricercatori lo stanno utilizzando per classificare ecosistemi complessi, analizzare il consumo di suolo o studiare gli effetti del cambiamento climatico su scala locale.

Futuro prossimo: quando l’AI ragiona sullo spazio

Google sta esplorando l’integrazione di AlphaEarth con agenti LLM di ragionamento generale come Gemini, aprendo scenari ancora più ambiziosi: un sistema che non si limita a vedere i cambiamenti, ma li comprende, li anticipa e suggerisce azioni per mitigare i problemi.