Satellite Embedding Dataset

၂၀၂၅ ခု ဇူလကုန်ပိုင်းလောက်မှာ Google Earth Engine မှာ Satellite Embedding Dataset (SED) ဆိုတဲ့ ဒေတာအသစ်တစ်ခုပေါ်ထွက်လာခဲ့ပါတယ်။ ဒီ dataset ကို  Google DeepMind’s AI မိုဒယ်အသစ်တစ်ခုဖြစ်တဲ့ AlphaEarth Foundations model ကိုအသုံးပြုပြီးဖန်တီးထုတ်လုပ်ခဲ့တာဖြစ်ပါတယ်။ ကုန်းမြေ နဲ့ ရေတိမ်ပိုင်းဧရိယာ (မြစ်၊ချောင်း၊ကန်များ၊ ကမ်းရိုးတမ်းရေတိမ်များ အပါ) တွေကိုလွှမ်းခြုံပါတယ်။

ဒီ‌ဒေတာ ကိုဖန်တီးရာမှာ Sentinel-1, Sentinel-2, Landsat 8 and Landsat 9, GEDI Raster Canopy Height metrics, GLO-30 DEM, ERA5-Land Reanalysis Monthly Aggregates, ALOS PALSAR-2 ScanSAR, GRACE monthly mass grids, နဲ့ အညွှန်းစာသား(label)အများအပြားကိုထည့်သွင်းအသုံးပြုခဲ့ပါတယ်။ ကမ္ဘာပေါ်က နေရာပေါင်း ၅ သန်းကျော်ရဲ့ image ပေါင်း ၃ ဘီလီယံကျော် ကိုအသုံးပြုပြီး အဆိုပါ AI model ဖြင့် ဖန်တီးခဲ့တာဖြစ်ပါတယ်။

ရလာဒ်အနေနဲ့ ကတော့ band 64 ခုပါ တဲ့ 10m resolution ရှိတဲ့ dataset တစ်ခုဖြစ်လာပါတယ်။

pixel တစ်ခုမှာ တစ်နှစ်လုံးအတွင်းမှာ ဖြစ်ပျက်ခဲ့တဲ့ ရာသီအလိုက်ပြောင်းလဲမှုတွေ – ဥပမာ အပင်တွေမှာဆို ရာသီအလိုက် NDVI အတက်အကျတွေ၊ ရာသီအလိုက် နှင်းဖုံးလွှမ်းမှုအတက်အကျတွေ စတဲ့ တစ်နှစ်အတွင်းဖြစ်ပျက်နေတဲ့ အချက်အလက်အလက်တွေကို ဒိုင်မင်းရှင်း 64ခု နဲ့ဖော်ပြနေတာသာဖြစ်ပါတယ်။

ဒီနေရာမှာ band လို့အသုံးပြုထားပေမယ့်..အများစုရင်းနီးတဲ့ spectral band တွေတော့မဟုတ်ပါဘူး။ information layer တွေသာဖြစ်ပါတယ်။ ဒါကြောင့် မို့  band တစ်ခုခြင်းကြည့်ပြီး အဓိပ္ပါယ်ဖော်လို့တော့မရပါဘူး။ အလားတူ band ratio လိုမျိုးလည်း အသုံးမပြု နိင်ပါဘူး။ ဒါကြောင့် ..အသုံးပြုတဲ့အခါ band 64 ခုလုံးကိုထည့်သွင်းအသုံးပြုရပါမယ်။

ဒေတာတွေကို UTM Zone တွေအလိုက်ပိုင်းခြားဖန်တီးထားပြီး နှစ်တစ်နှစ်စာ ရဲ့ အနှစ်ချုပ် summary ဒေတာများအဖြစ်ဖန်တီးထားပါတယ်။ ဥပမာ – ၂၀၂၁ ခုနှစ်အတွက် ဆိုရင် အစရက်စွဲက 2021-01-01 ဖြစ်ပြီး အဆုံးရက်စွဲကတော့ 2022-01-01 လို့ Metadata မှာတွေ့ရပါမယ်။ အစောဆုံးရနိုင်တဲ့ နှစ်က ၂၀၁၇ ခုနှစ်ဖြစ်ပါတယ်။

band တွေက pixel တွေရဲ့တန်ဖိုးတွေဟာ အနှတ်တစ် (-1) ကနေ (+1) အတွင်းမှာပဲရှိပါတယ်။ တနည်းအားဖြင့် standardized လုပ်ထားပြီးသားဖြစ်ပါတယ်။ တိမ်၊ လေထုသက်ရောက်မှု စတာတွေ ဖယ်ထားပြီးသားဖြစ်တဲ့အတွက် ခွဲခြမ်းစိတ်ဖြာတွက်ချက်ဖို့ အဆင်သင့် (Analysis ready) dataset ဖြစ်ပါတယ်။

ဒီဒေတာကို အလွန်ကို ထက်မြက်တဲ့ လက်ထောက်တစ်ယောက်လို့မြင်ကြည့်ပါ။ သူက တစ်နှစ်လုံးမှာ ရှိသမျှ pixel တိုင်းကို ကြည့်ပြီး အချက် ၆၄ ချက် နဲ့ အနှစ်ချုပ်ထုတ်ပေးနိုင် သူတစ်ယောက်ပေါ့ ။

ဒီဒေတာ ဟာ Remote Sensing အသိုင်းအဝိုင်းအတွက်တော့ အပြောင်းအလဲ ကြီးကြီးမားမားကိုသယ်ဆောင်လာပါတယ်။ အရင်က လုပ်လေ့ရှိတဲ့ raw image ကနေ စတင်ကိုင်တွယ်လုပ်ရတဲ့ အလုပ်တွေကို အခုတော့ ကောက်ယူသုံးစွဲဖို့အဆင့်သ့ဖြစ်နေတဲ့ အနေထားနဲ့ တစ်နှစ်လုံးမှာ လေ့လာတွေ့ရှိထားသမျှတွေကို အနှစ်ချုပ်ပေးထားတဲ့အတွက် တွက်ချက်ချိန်တွေကို ရုတ်ချည်းလျော့ကျသွားစေပါတယ်။ ခက်ခဲလက်ဝင်တဲ့အပိုင်းတွေကို Google Deep Mind က လုပ်ပေးထားပြီး အနှစ်ချုပ်အချက်အလက်တွေကို စုစည်းပေးထားတာဖြစ်တဲ့အတွက် ဒီဒေတာတွေကို ကိုယ်ပိုင်မိုဒယ်တည်ဆောက်ရာမှာ training data တွေအဖြစ် တန်းပြီးသုံးနိုင်ပါတယ်။

Embedding  ဆိုတာ ဘာလဲ

Embedding  ဆိုတာ –  ရှုပ်ထွေးတဲ့အချက်အလက်တွေကို ကွန်ပြူတာက အလွယ်တကူနားလည်နိုင်မယ့် ကိန်းဂဏန်းတွေနဲ့ ကိုယ်စားပြုဖော်ပြခြင်းဖြစ်တယ်။ တစ်နည်းအားဖြင့် ပုံရိပ်(imagery)တွေကို ကျစ်လစ်သိပ်သည်းတဲ့ အဆင့်မြင့်ဖော်ပြနည်းလမ်းတစ်ခုဖြစ်ပါတယ်။ အထူးသဖြင့် ရှုပ်ထွေးလှတဲ့ spatial and spectral patterns တွေကို ကိန်းဂဏန်းများဖြင့် ကျစ်လစ်စွာ အဓိပ္ပါယ်ဖွင့်ဆိုခြင်းဖြစ်ပါတယ်။ Google Earth Engine မှာ ဒီ‌ဒေတာကိုအသုံးပြုခြင်းဖြင့် ရှုပ်ထွေးရှည်လျားတဲ့ remote sensing တွက်ချက်မှုအဆင့်ဆင့်မလိုတော့ပဲ code လိုင်းအနည်ငယ်မျှဖြင့် ထိုးထွင်းအသိပညာ (insight) ကို တွက်ချက်ရရှိနိုင်စေပါတယ်။

Satellite Embedding Dataset နဲ့ဘာလုပ်လို့ရမလဲ

Similarity Search – ဆင်တူသော အရာဝတ္ထုများကိုရှာခြင်း

ကြိုက်တဲ့ နေရာတစ်ခုကိုယူလိုက်ပါ ထို့နောက် ထိုနေရာနဲ့ဆင်တူတဲ့ အခြားနေရာများကိုရှာဖွေနိုင်ပါတယ် – ဥပမာ သစ်တော ရဲ့ နေရာတစ်ခု ကို မှတ်လိုက်ပြီး အဲဒီနေရာ နဲ့ အလားတူတဲ့ ကမ္ဘာအနှံ့က အခြားနေရာပေါင်းများစွာကို လျင်မြန်စွာရှာဖွေနိုင်ပါတယ်။ နေရာမတူတဲ့ အမျိုးအစားတူ အရာ ဝတ္ထု နှစ်ခုရဲ့ pixel တွေရဲ့ band 64 ခု ရဲ့တန်ဖိုးတွေ ဟာ အတော်ကို ဆင်တူနေပါမယ်။

Change Detection – ပြောင်းလဲချက်ကိုရှာခြင်း

နေရာတစ်ခုက pixel တစ်ခု ရဲ့ နှစ်အလိုက် ဒေတာကနေ အဲဒီနေရာမှာ ပြောင်းလဲမှုရှိမရှိ ရှာဖွေနိုင်ပါတယ်။ ဥပမာ – သစ်တောများပြုံးတီးမှု၊ မြို့ပြများချဲ့ထွင်မှုဖြစ်စဉ်၊ တောမီးဒဏ်နှင့် ပြန်လည်နလံထမှု အနေအထား၊ ဆည်ရေ အတိုးအလျော့ စသည်တို့.ဖြစ်ပါတယ်

Automatic Clustering – အလိုအလျောက် စုဖွဲ့ခြင်း

Pixel တွေရဲ့ မြေပြင်မှာ ရှိနေတဲ့ class အမျိုးအစား ကိုကြိုတင် သတ်မှတ်ပေးစရာမလိုပဲ Clustering Algorithm များသုံးပြီး pixel တူရာတူရာ စုဖွဲ့ပြီး  အမျိုးမျိုးသော class များပြုလုပ်နိုင်ပါတယ်။ ဤနည်းဖြင့် အလွယ်တကူ သတိမထားမိနိုင်တဲ့ pattern တွေကို ရှာဖွေဖော်ထုတ်ပြီး မတူတဲ့ သစ်တောအမျိုအစား တွေ မြေဆီလွှာတွေ မြို့ပြဖွံ့ဖြိုးမှု တွေကို ခွဲခြားပြနိုင်ပါတယ်။

အင်းလေးကန် ဝန်းကျင် clustering စမ်းသပ်ချက်
ပုံ ၁ နှင့် ၂ – Sentinel 2 နှင့် SED။
ပုံ ၃ နှင့် ၄ – SED ကို တိုက်ရိုက် clustering (class ၃ခု နှင့် ၅ခု) လုပ်ပြီးရလာတဲ့ ရလာဒ်တွေပါ

Smater Classification – ပိုပြီးအဆင့်မြင့်သော အတန်းအစား ခွဲခြားခြင်း

ပုံမှန် ထက်နည်းတဲ့ နမူနာ (training sample) အချက်အလက်အနည်းငယ် မျှဖြင့် တိကျတဲ့မြေပုံတွေကို ဖန်တီးနိုင်ပါတယ်။ ဥပမာ – ကောက်ပဲသီးနှံ အမျိုးအစားပြမြေပုံတစ်ခုပြုလုပ်ဖို့ အတွက် ပုံမှန် နည်းလမ်းတွေမှာ ထောင်၊ သောင်း ချီတဲ့ နမူနာ နေရာတွေ လိုပါတယ်၊ အဲဒီအစား ကောက်ပဲ သီးနှံအမျိးအစားတစ်ခုစီ အတွက် နေရာ နမူနာ ရာဂဏန်းလောက်နဲ့ classification လုပ်နိုင်တဲ့အတွက် အချိန်နဲ့ တွက်ချက်မှုဝန်ထုတ် ကို အများကြီးလျော့ချပေးနိုင်ပါတယ်။

အောက်ကနမူနာက ဟိုင်းကြီးကျွန်းနားက ဒီရေတော (mangrove) ကို Training data အနည်းငယ် သုံးပြီး ခွဲကြည့်ထားတဲ့ ရလာဒ်ပါ

ပုံ (၁) Sentinel 2 ပုံ – မျက်မြင်ကြည့်ရှုရန်အတွက်ပုံ
ပုံ (၂) SED ကို Forest, Mangrove, Water, Other ဆိုပြီး class 4 ခု အရေအတွက် နည်းနည်းနဲ့ classified လုပ်လို့ရလာတဲ့ ရလာဒ်
ပုံ (၃) Classified SED ထဲက Mangrove class တစ်ခုတည်းကို ခွဲထုတ်ပြသမှု
ပုံ (၄) Global Mangrove Dataset မှာ ရှိတဲ့ Mangrove class

SED ကို Training data အနည်းငယ် သုံးပြီးခွဲလို့ ရလာတဲ့ ရလာဒ် ပုံ(၃) ဟာ ‌‌‌အရည်အသွေးအလွန်ကောင်းမွန်တာကို တွေ့ရပါတယ်။ ဒီရေတောနဲ့ တောင်ပေါ်တော တွေ နဲ့ မရောထွေးသွားပဲ – အထူးသဖြင့် ဟိုင်းကြီးကျွန်းအရှေ့ဖက်ခြမ်းက တောင်ကုန်းက အပင်များ နဲ့ ဒီရေတောကို ကွဲပြားအောင် ခွဲခြားထုတ်ပေးနိုင်တာတွေ့ရပါတယ်….

ဒီဒေတာက ဘာတွေ သယ်ဆောင်လာလဲ

အကြိုပြင်ဆင်ခြင်းလုပ်ငန်းစဉ်များမလိုတော့ခြင်း – ဒေတာက သ့စင်ပြီး အသုံးပြုရန်အဆင်သင့်အနေထားဖြစ်နေပါပြီ
ပိုမိုမြန်ဆန်တဲ့ စမ်းစစ်တွက်ချက်မှု – တစ်နှစ်လုံးအတွက် ‌‌‌ဒေတာ အလွှာတစ်ခုတည်းမှာ ပါဝင်နေပြီးဖြစ်တယ်
ပိုမိုကောင်းမွန်တဲ့ ရလာဒ်များ – training data နည်းနည်းနဲ့ လုပ်ကိုင်နိုင်ခြင်း
ပြောင်းလဲမှုကို အလွယ်တကူ ရှာဖွေနိုင်ခြင်း – နှစ် (၂) နှစ်ကို တိုက်ရိုက်ယှဉ်ကြည့်လိုက်ယုံသာ

စိတ်ဝင်စားတယ် – ဘယ်မှာစမ်းကြည့်လို့ရမလဲ

Google Developer site မှာ Tutorial တွေလုပ်‌ပေးထားပါတယ် သွားရောက်စမ်းသပ်ကြည့်နိုင်ပါတယ်။ https://developers.google.com/earth-engine/tutorials/community/satellite-embedding-01-introduction

ကိုကား –

AI-powered pixels: Introducing Google’s Satellite Embedding dataset | by Google Earth | Google Earth and Earth Engine | Jul, 2025 | Medium

Satellite Embedding V1  |  Earth Engine Data Catalog  |  Google for Developers

AlphaEarth by Google DeepMind -What It Means for GIS and Remote Sensing Professionals | by LAWRENCE KIMUTAI | Jul, 2025 | Medium