גוגל משלבת AI ב-Earth: ניטור כדור הארץ בזמן אמת הפך למציאות

מה בדיוק השתנה ב-Google Earth

ב-2024, גוגל הכריזה על שילוב מודלי בינה מלאכותית ישירות בתוך Google Earth Engine, הפלטפורמה המדעית שמאחורי הממשק המוכר לכולם. השינוי אינו קוסמטי. מדובר בשינוי ארכיטקטוני שמאפשר לא רק לצפות בכדור הארץ, אלא לנתח אותו בזמן אמת ולזהות שינויים שמתרחשים ממש עכשיו.

עד לא מזמן, תהליך הניתוח של תמונות לוויין היה כזה: מדענים הורידו קבצים כבדים, הריצו סקריפטים ידניים, וקיבלו תוצאות אחרי ימים של עיבוד. כיום, מודלי ה-AI של גוגל עושים את אותה עבודה תוך שעות, ובמקרים מסוימים תוך דקות. הפלטפורמה מעבדת מעל 90 פטה-בייט של נתוני לוויין היסטוריים ומשלבת אותם עם תמונות חדשות שמגיעות מלוויינים כמו Sentinel-2 ו-Landsat 9 בתדירות של כל 5 עד 16 ימים.

הנקודה שרוב הכתבות מפספסות: זה לא רק עניין של מהירות. ה-AI מאפשר לזהות דפוסים שאנשים פשוט לא מסוגלים לראות, גם אם יסתכלו על התמונות שעות. שינוי של 0.8% בצפיפות הצמחייה על פני 10,000 קמ"ר, לדוגמה, הוא בלתי נראה לעין אנושית אבל קריטי לניבוי סיכוני שריפה. לפרטים נוספים על היכולות והשימושים של טכנולוגיה זו, ראו את שאלות נפוצות.

איך מודלי ה-AI מנתחים תמונות לוויין

הבסיס הטכני הוא ראייה ממוחשבת (Computer Vision) בשילוב למידת מכונה. גוגל אימנה מודלים על מאות מיליוני תמונות מתויגות שמייצגות סוגי שטח שונים, תנאי מזג אוויר, עונות ושינויים לאורך זמן. התוצאה היא מערכת שמסוגלת לסווג כל פיקסל בתמונת לוויין לקטגוריה, כמו יער, מים, עיר, חקלאות, קרח.

כשמשווים תמונות מאותו מיקום בפרקי זמן שונים, ה-AI מזהה שינויים ברמת דיוק של 10 מטרים. זה אומר שניתן לזהות כריתת עצים בשטח של כדונת כדורגל אחת, בניית מבנה חדש, או שינוי בקו החוף בסנטימטרים. הדיוק הזה לא היה אפשרי בעבר ללא ציוד מדידה פיזי בשטח.

שלושה סוגי ניתוח עיקריים פועלים במקביל:

• זיהוי שינויים (Change Detection): השוואה אוטומטית בין תמונות מתאריכים שונים
• סיווג שטח (Land Classification): קטגוריזציה של כל אזור לפי סוג השימוש
• ניבוי מגמות (Trend Prediction): חיזוי התפתחות עתידית על בסיס נתונים היסטוריים
• זיהוי אנומליות: איתור אירועים חריגים כמו שפיכת שפכים לנהר או שריפה מתחילה

מה שמעניין מבחינה טכנית הוא שגוגל לא בנתה מודל אחד גדול, אלא ארכיטקטורה מודולרית שבה מודלים שונים מתמחים בסוגי ניתוח שונים. זה מאפשר עדכון ושיפור של כל מודל בנפרד מבלי לפגוע בשאר המערכת.

יישומים סביבתיים שכבר עובדים בשטח

ארגון Global Forest Watch, שפועל בשיתוף עם גוגל, משתמש ב-AI של Earth Engine לניטור כריתת יערות בזמן אמת ב-180 מדינות. בשנת 2023, המערכת זיהתה אובדן של 3.7 מיליון הקטר של יערות טרופיים, כ-10 מגרשי כדורגל בדקה. ההתראות האוטומטיות מגיעות לרשויות המקומיות תוך 48 שעות מרגע הזיהוי, לעומת שבועות בעבר.

בתחום הקרחונים, גוגל שיתפה פעולה עם NASA לניטור נסיגת הקרח בגרינלנד ובאנטארקטיקה. ה-AI מנתח שינויים בנפח הקרח ומשלב נתוני טמפרטורה ורוחות כדי לחשב קצב נסיגה מדויק יותר ממה שהיה אפשרי עם מדידות ידניות. הנתונים האלה מזינים ישירות מודלים של עלייה במפלס הים.

דוגמה קונקרטית: בינואר 2024, המערכת זיהתה שינוי חריג בצבע המים בחלק מהאמזונס. ניתוח נוסף גילה שמדובר בזרימת משקעים חריגה שנבעה מכריתת יערות בזרם עליון. הממצא הגיע לרשויות הברזילאיות לפני שהנזק הפך לבלתי הפיך.

מי משתמש בפלטפורמה ולמה

Google Earth Engine אינה רק כלי לחוקרים. בשנים האחרונות, מעגל המשתמשים התרחב משמעותית. ממשלות, חברות ביטוח, ארגוני הומניטריים ואפילו חברות נדל"ן מוצאות שימושים שגוגל לא בהכרח תכננה מראש.

חברות ביטוח כמו Swiss Re ו-Munich Re משתמשות בנתוני Earth Engine לתמחור סיכוני אקלים. כשמבטחים נכס בפלורידה, הם כבר לא מסתמכים רק על נתוני הצפות היסטוריים, אלא על ניתוח AI של שינויי קו החוף, עלייה במפלס הים ותדירות אירועי מזג אוויר קיצוני באזור הספציפי.

הצלב האדום משתמש בפלטפורמה לתכנון תגובה לאסונות. לפני שצוותי סיוע נשלחים לאזור שנפגע מרעידת אדמה, ה-AI מנתח תמונות לוויין ומזהה אזורים עם נזק מבני חמור, חסימות דרכים ואוכלוסיות מבודדות. זה מאפשר הקצאת משאבים יעילה יותר בשעות הקריטיות הראשונות.

חברות חקלאיות גדולות, בעיקר בברזיל ובארה"ב, משתמשות בניתוח לוויין לניהול שדות. ה-AI מזהה אזורים עם מחסור במים, מחלות צמחים או צפיפות יתר של גידולים, ומאפשר התערבות ממוקדת במקום ריסוס אחיד של כל השדה.

גוגל ו-AI: האסטרטגיה הרחבה מאחורי Earth

שילוב ה-AI ב-Google Earth אינו פרויקט עצמאי. הוא חלק מאסטרטגיה רחבה של גוגל לשלב את מודלי ה-Gemini שלה בכל מוצרי החברה. Earth Engine הוא אחד מהיישומים שבהם ה-AI מוסיף ערך ממשי ומדיד, לא רק שיפור ממשק.

גוגל השקיעה מאות מיליוני דולרים בפיתוח מודלים גיאו-מרחביים ייעודיים. בניגוד למודלי שפה כמו GPT שמתמחים בטקסט, המודלים האלה מאומנים על נתונים ויזואליים גיאוגרפיים עם הקשר מרחבי וזמני. זה תחום שגוגל נמצאת בו בפער משמעותי מול המתחרים, בזכות עשרות שנים של צבירת נתוני לוויין.

מה שמעניין לגבי הגישה של גוגל לפרוטוקולים חדשים הוא שהחברה בונה תשתית שמאפשרת לגורמים חיצוניים לגשת ליכולות ה-AI שלה דרך ממשקי API סטנדרטיים. זה אומר שמפתחים יכולים לבנות אפליקציות שמשתמשות בניתוח הלוויין של גוגל מבלי לבנות את התשתית מאפס.

ההשקעה של גוגל בתחום הזה גם מניעה תחרות. Microsoft שילבה יכולות דומות ב-Azure Planetary Computer, ו-Amazon מציעה שירותים דומים דרך AWS. אבל היתרון של גוגל בנתונים היסטוריים ובתשתית הגלובלית שלה קשה לשכפול.

מגבלות שחשוב להכיר

כל הנתונים מרשימים, אבל יש כמה מגבלות שמדענים ומשתמשים מקצועיים מציינים בעקביות. הראשונה היא כיסוי ענן. תמונות לוויין אופטיות, שהן הרוב המוחלט של הנתונים, חסומות על ידי עננים. באזורים טרופיים עם כיסוי ענן גבוה, כמו אגן האמזונס, יכולים לעבור שבועות בין תמונות ברות שימוש.

גוגל מתמודדת עם זה על ידי שילוב נתוני לוויין SAR (Synthetic Aperture Radar) שחודרים דרך עננים, אבל הפרשנות של נתוני SAR מורכבת יותר ודורשת מומחיות ספציפית.

מגבלה שנייה היא רזולוציה. הנתונים הזמינים לציבור ברזולוציה של 10 מטרים לפיקסל. לניתוח של תשתיות ספציפיות, כמו בניינים בודדים או כבישים צרים, זה לא מספיק. לוויינים מסחריים כמו Planet Labs מציעים רזולוציה של 3 מטרים ואפילו פחות, אבל הנתונים שלהם יקרים ולא משולבים בחינם ב-Earth Engine.

טעות נפוצה שאנחנו רואים אצל ארגונים שמתחילים להשתמש בפלטפורמה: הם מניחים שה-AI תמיד צודק. בפועל, שיעורי הדיוק של זיהוי שינויים נעים בין 85% ל-95%, תלוי בסוג הניתוח ובאיכות הנתונים. זה מצוין לניטור בקנה מידה גדול, אבל לא מספיק לקבלת החלטות קריטיות ללא אימות נוסף.

השפעה על מדיניות סביבתית גלובלית

אחד השינויים המשמעותיים ביותר שה-AI ב-Earth מביא הוא שינוי בדינמיקת האחריות. כשממשלה מתחייבת להפחית כריתת יערות ב-30% עד 2030, כיום יש כלי שמאמת את ההתחייבות הזו בזמן אמת. זה שינוי פוליטי לא פחות מטכנולוגי.

ועידת האקלים COP28 בדובאי ב-2023 הייתה הראשונה שבה נתוני Earth Engine שימשו כבסיס לדיונים רשמיים. מדינות הציגו נתוני ניטור לוויין כהוכחה לעמידה בהתחייבויות, ומדינות אחרות השתמשו באותם נתונים כדי לערער על הטענות. זה יצר דינמיקה חדשה לגמרי בדיפלומטיה הסביבתית.

אינדונזיה, שהייתה אחת המדינות עם שיעורי כריתת יערות הגבוהים בעולם, שילבה את נתוני Earth Engine במערכת האכיפה שלה. פקחי יערות מקבלים התראות אוטומטיות על פעילות חשודה ומגיעים לשטח תוך 24 שעות. בין 2019 ל-2023, שיעור כריתת היערות באינדונזיה ירד ב-64%.

מה מחכה בשנים הקרובות

גוגל הכריזה על מספר פיתוחים שצפויים להגיע ב-2025 ו-2026. הבולט שבהם הוא שילוב יכולות שפה טבעית, כלומר היכולת לשאול שאלות כמו "כמה יער נכרת בברזיל בחודש האחרון?" ולקבל תשובה מיידית עם ויזואליזציה, ללא צורך בכתיבת קוד.

פיתוח נוסף הוא שילוב נתוני חיישנים קרקעיים עם נתוני לוויין. כיום, Earth Engine עובד בעיקר עם נתונים מהחלל. שילוב של חיישני IoT, תחנות מזג אוויר ומדידות קרקע יאפשר ניתוח מדויק הרבה יותר.

בתחום הנגישות, גוגל עובדת על גרסה מפושטת של Earth Engine שתהיה נגישה לעיריות ולרשויות מקומיות בעלות נמוכה. כיום, הפלטפורמה דורשת מומחיות טכנית גבוהה. הגרסה החדשה תציע ממשק ויזואלי שמאפשר ניטור סביבתי גם ללא ידע בתכנות.

מי שעוקב אחרי ההתפתחויות של סוכני AI שפועלים בזמן אמת יבין שהכיוון ברור: המטרה היא מערכת שלא רק מנתחת נתונים, אלא פועלת עליהם אוטומטית, שולחת התראות, מפעילה תהליכים ומתאמת בין גורמים שונים ללא התערבות אנושית בכל שלב.

מה זה אומר לעסקים ולארגונים בישראל

ישראל, עם האתגרים הסביבתיים הייחודיים שלה, יכולה להפיק תועלת משמעותית מהכלים האלה. ניטור שינויים בכינרת, מעקב אחר התפשטות מדבר הנגב, ניהול משאבי מים בזמן בצורת, כל אלה הם יישומים שרשויות ישראליות כבר בוחנות.

בתחום העסקי, חברות ישראליות בתחום האגריטק כבר משתמשות ב-Earth Engine לניטור שדות. חברות כמו Taranis ו-CropX, שמתמחות בחקלאות מדויקת, משלבות נתוני לוויין עם חיישני קרקע כדי לספק המלצות מדויקות לחקלאים.

לרשויות מקומיות, הכלי מאפשר ניטור שינויים בשימושי קרקע, זיהוי בנייה בלתי חוקית ומעקב אחר מצב הצמחייה העירונית. עיריית תל אביב, לדוגמה, יכולה לנטר את מצב הגינות הציבוריות ולתכנן השקיה חכמה על בסיס נתוני לוויין בזמן אמת.

עלות הכניסה לפלטפורמה נמוכה יחסית לערך שהיא מספקת. לארגונים ללא מטרות רווח ולמוסדות אקדמיים, הגישה חינמית. לעסקים, מחירי ה-API מתחילים בכמה מאות דולרים לחודש, תלוי בנפח הנתונים. זה הרבה פחות מעלות בניית מערכת ניטור עצמאית.