[논문 리뷰] Inferring Height from Earth Embeddings: First insights using Google AlphaEarth

Alireza Hamoudzadeh, Valeria Belloni외 1명|arXiv (Cornell University)|2026. 02. 19.

Remote Sensing and LiDAR Applications인용 수 0

한 줄 요약

이 논문은 AlphaEarth Embeddings가 경량 DL 모델(U-Net 및 U-Net++)가 10m AlphaEarth 데이터로 지역 표면 높이를 추정하도록 안내할 수 있는지 평가하고, 리지 기반 baselines와 비교하며 새로운 영역으로의 일반화를 평가합니다.

ABSTRACT

This study investigates whether the geospatial and multimodal features encoded in extit{Earth Embeddings} can effectively guide deep learning (DL) regression models for regional surface height mapping. In particular, we focused on AlphaEarth Embeddings at 10 m spatial resolution and evaluated their capability to support terrain height inference using a high-quality Digital Surface Model (DSM) as reference. U-Net and U-Net++ architectures were thus employed as lightweight convolutional decoders to assess how well the geospatial information distilled in the embeddings can be translated into accurate surface height estimates. Both architectures achieved strong training performance (both with $R^2 = 0.97$), confirming that the embeddings encode informative and decodable height-related signals. On the test set, performance decreased due to distribution shifts in height frequency between training and testing areas. Nevertheless, U-Net++ shows better generalization ($R^2 = 0.84$, median difference = -2.62 m) compared with the standard U-Net ($R^2 = 0.78$, median difference = -7.22 m), suggesting enhanced robustness to distribution mismatch. While the testing RMSE (approximately 16 m for U-Net++) and residual bias highlight remaining challenges in generalization, strong correlations indicate that the embeddings capture transferable topographic patterns. Overall, the results demonstrate the promising potential of AlphaEarth Embeddings to guide DL-based height mapping workflows, particularly when combined with spatially aware convolutional architectures, while emphasizing the need to address bias for improved regional transferability.

연구 동기 및 목표

• AlphaEarth Embeddings가 지역 표면 높이 추론을 위한 디코딩 가능한 높이 관련 신호를 부호화하는지 평가한다.
• 경량 CNN 디코더(U-Net 및 U-Net++)를 ResNet-18 인코더와 함께 512x512 패치에서 높이 추정에 매핑하도록 평가한다.
• 학습 및 unseen 영역에서 DL 접근 방법을 선형 Ridge baseline과 비교한다.
• Embedding-guided 높이 매핑의 일반화 및 전이 가능성을 대규모 연구 영역에서 조사한다.

제안 방법

• 10 m 해상도의 AlphaEarth Embeddings를 입력 특징으로 사용한다.
• ResNet-18 인코더를 사용하여 512x512 패치에서 두 개의 경량 디코더(U-Net 및 U-Net++)를 훈련한다.
• Uint8에서 [0,1]로 임베딩 입력을 정규화하고 10 m로 재샘플된 5x5 m DSM 대상과 맞춘다.
• AdamW, MSE 손실, ReduceLROnPlateau, 조기 종료로 최적화하며 80/20 학습/검증 분할 및 별도 테스트 영역을 두 배치로 사용한다.
• 동일한 입력과 평가 지표를 사용하여 Ridge 회귀 baseline과 비교한다.

실험 결과

연구 질문

• RQ1 AlphaEarth Embeddings가 DSM 참고치로부터 지역 지형 높이를 예측하도록 DL 회귀를 효과적으로 안내할 수 있는가?
• RQ2 경량의 공간 인식 디코더가 높이 관련 공간 패턴을 보존하고 새로운 영역으로 일반화할 수 있는가?
• RQ3 Embedding-guided 높이 추론은 전통적인 선형 baselines와 어떻게 비교되는가?
• RQ4 다른 높이 분포를 가진 지역 간 임베딩 기반 높이 모델의 전이 가능성과 한계는 무엇인가?

주요 결과

• Both U-Net and U-Net++ achieve strong training performance (R2 ≈ 0.97) indicating embeddings encode decodable height signals.
• On testing data, U-Net++ generalizes better (R2 ≈ 0.84) than U-Net (R2 ≈ 0.78), showing improved robustness to distribution shifts.
• U-Net++ yields lower RMSE (~16 m) on the test set and exhibits closer height support to reference DSM than the Ridge baseline.
• DL models outperform Ridge regression on both training and test sets, demonstrating the value of embedding-driven height mapping.
• Height inference remains challenged by biases and residual distribution differences, underscoring transferability limitations across regions.