吾辈探矿之地质学家，卫星之影像，实若金矿（戏言也）。或为水文热蚀之图绘，或为结构断层之辨识，或为险阻之地域踏勘之规划，皆重赖遥感之术。
然则常规之流程，实为技术之苦海：
- 下载八位元原始场景（Sentinel、Landsat、ASTER）。
- 终日从事大气校正与云/植被掩膜。
- 调弄复杂波段比率（如粘土或铁氧化物比率），以显矿物学之妙。
Google 与 DeepMind 乃新近以 AlphaEarth 基础模型撼动此等旧习。今非复处理原始像素，吾辈得用 Satellite Embeddings（卫星嵌入）矣。
吾名 Gérard Cubaka，于是文中，吾将释此技术如何使吾辈查询地球地质，若探文本数据库般简易。
🧠 之理：地质与光谱之印，含六十四维
若君习知大语言模型（如GPT），则知其化字为数学之矢（即嵌入）。AlphaEarth于大地亦然。
是模取多年多传感器之数据：光学影像（反射率）、Sentinel-1雷达数据（地表粗糙度、地形、结构）及气候数据。其将此物理之变，压缩为十米像素之六十四维向量，岁岁更新。
此六十四通道（名曰A00）A63 dans Google Earth Engine)非精确光谱带，乃整体语义之印记。
何故此为探查之革命乎？凡二域，其地表地质背景若同——譬如，同属水热蚀变之迹，同种之表土，或相似之伟晶岩出露——则其数学矢量必甚近（余弦距离低），纵使分属二洲。
🛠 数据集技术规格
此全球数据集可于Google Earth Engine（GEE）目录中免费获取，其标识为GOOGLE/SATELLITE_EMBEDDING/V1_ANNUAL.
- 空间分辨率十米一像素（宜于区域辨识/Greenfield）。
- 整饬之六十四幅图像（标准化向量）。
- 频次 : 年度合成（目前可得自二零一七至二零二五）。
💻 事實上：僅數行即可啟動相似性搜索
地质学家最强大的应用场景乃是以例求之。试想，汝于地契之上识得矿化之迹或已知矿脉，可取其向量，命模型寻天下凡具同此数理之印之域。
欲知如何借 Earth Engine 之 Python API 载此数据，请参下文。
import ee
# Initialiser la connexion à Earth Engine
ee.Initialize()
# Charger la collection mondiale de Satellite
Embeddingsembeddings_collection = ee.ImageCollection("GOOGLE/SATELLITE_EMBEDDING/V1_ANNUAL")
# Filtrer sur les données les plus récentes (ex: 2024)
embeddings_recent = embeddings_collection.filter(ee.Filter.date('2024-01-01', '2024-12-31')).first()
# Afficher les 64 dimensions disponibles (A00 à A63)
print("Bandes d'exploration disponibles :",
embeddings_recent.bandNames().getInfo())
如何融入探索流程？
快速区域定位：将GEE与BigQuery Vector Search等矢量数据库连接，可计算兴趣区域（模型居所）向量与研究区域其他部分之间的欧氏距离，数秒内生成矿产适宜性地图。
地貌植被图绘：此模自然涵养土质所引植被之变（生物地球化学应答）。但以无导算法（K-Means）施诸此六十四谱，可无偏见分划地质要域.
⚖️ 地质利弊析
其利✅：
- 免"数据准备"之阶：云之清理毕，或异时景之繁纹尽去。数据集已备分析之用。
- 光与雷达之协同：此矢融合光谱之应（物之成）与雷达之应（纹之理、分之裂、地之形），常需手工极繁之工。
- 适于绿野新开之境。：可于低廉之计算力，扫描广袤之域（如深谷、绿岩带），俟后遣地勤之师。
其❌：
-
黑箱效应：异于寻常之ASTER波段比，彼处可确知其指目为黄铜矿或高岭土，然此波段
A12或A45之地质特征，实难以数理明其所以然。 - 植被之限：此模削云之效，然于密林赤道之域，光学之透犹限於林冠（虽Sentinel-1雷达内置可助其形貌结构之辨）。
- 年时解析：此非地质之患（地质者，百年不易也），然则此器不适用，不能察矿场日进之功.
🚀 结论
彼 卫星之嵌 乃数据科学与地球科学交汇之枢机。译吾地球之表为向量之域，谷歌为地质勘探者献一宏观定位之利器，其效前所未有，使屏前图像处理之暇锐减，而增实地勘察之功。
君已用人工智能或机器学习以定地质之目标否？何框架（TorchGeo, Rasterio, QGIS）君所偏爱以操弄此等数据？于评论中论之！
若此文君有所感，可留❤️或🦄！循吾DEV.to之页，得更多科技、Python与地理空间人工智能相合之文。
—热拉尔·库巴卡