Allen Institute for AIはAugust 12, 2026、OlmoEarth Studioでカスタム埋め込みの出力を可能にした。ユーザーはオープンソースのOlmoEarth基盤モデルから、地球観測データのコンパクトな数値表現を計算し、ダウンロードできる。ソースコード、モデル重み、研究論文は公開されており、出力ファイルはCloud-Optimized GeoTIFFで、Studio UIまたはAPIから関心領域、期間、エンコーダー種別、解像度、画像ソースを選んで作成する。

OlmoEarth Studioは事前計算済みの全球アーカイブから取り出すのではなく、必要に応じて埋め込みを計算するため、選択した条件や期間に合わせた出力を作れる。ユーザーは任意のポリゴンを描画またはアップロードし、1-12カ月の期間を設定し、Nano（128次元、1.4M params）、Tiny（192次元、6.2M params）、Base（768次元、89M params）を選べる。解像度は1ピクセルあたり10 meter、20 meter、40 meter、80 meterで、画像ソースはSentinel-2 L2A、Sentinel-1 RTC、または両方に対応する。Studioは埋め込み次元ごとに1バンドを持つCOGを返し、値は-127から+127までの符号付き8-bit整数として保存され、-128はnodata用に予約される。

例では、OlmoEarth-v1-Tinyの埋め込みを40-meter解像度で使い、Sentinel-2 L2A合成画像を利用した。多くのタスクでは年次、変化検出では月次の合成が使われた。類似検索では、California州Mercedの都市中心部近くのクエリピクセルから、都市構造や道路回廊が類似して見え、農地区画は非類似のまま残るヒートマップが得られた。農業ウィンドウのクエリでは、最も類似したパッチが0.89以上を記録し、灌漑農地を示した一方、ゼロ付近の最も類似度が低い領域には空港、乾いた地形を伴う貯水池、乾燥した放牧地が含まれた。

OlmoEarthの埋め込みは、VietnamのCa Mauを対象にした少数例セグメンテーション（少数の例で領域を分類する手法）にも使われた。チームはESA WorldCover 2021を使い、マングローブ、水域、その他のクラスについて各クラス20個、計60個のピクセルにラベルを付け、特徴量ごとの標準化を伴うロジスティック回帰を訓練した。60個のラベル付きピクセルから、分類器は一貫した地域土地被覆図を生成し、weighted F1 = 0.84を記録した。記事によれば、ラベル数を30から300に増やしても精度はほとんど変わらなかった。この投稿はこれを線形プローブ（学習済み特徴の簡易テスト）と表現し、768次元の大きなBase埋め込みはTinyの192次元より豊かな表現を符号化するとしている。

変化検出では、StudioがCalifornia州Butte Countyの同一地域についてSeptember 2023とSeptember 2024の月次Sentinel-2埋め込みを生成し、ピクセルごとのコサイン距離を比較した。July-September 2024のPark Fireの焼失跡は、ラベルやタスク専用訓練なしに現れた。教師なし探索では、Principal Component Analysisが埋め込みを3次元に圧縮し、R/G/Bの疑似カラー表示に使われた。NetherlandsのFlevolandでは、画像が農地区画の境界を再現し、作物種、水域、都市部を色相で分離した。

出力されたGeoTIFFはQGIS、GDAL、rasterio、ユーザースクリプトで扱える。埋め込みチュートリアルには、類似検索、少数例セグメンテーション、変化検出、PCA可視化のコードが含まれる。OlmoEarth Studioは、ユーザーラベルでタスク専用のモデルヘッドを訓練して性能を高める用途向けに、教師ありファインチューニング、つまりSFTにも対応する。記事は、持続的な雲量、大気アーティファクト、観測欠損がベクトルに影響し得るため、ユーザーは自分の用途で埋め込み品質を確認すべきだと警告する。全球クラスタリング可視化では、OlmoEarth-v1-Base、patch size 8の季節別Sentinel-2合成、1.1Mの事前学習サンプル上のインスタンスレベル埋め込みが使われた。

Allen Institute for AIはAugust 12, 2026、OlmoEarth Studioでカスタム埋め込みの出力を可能にした。ユーザーはオープンソースのOlmoEarth基盤モデルから、地球観測データのコンパクトな数値表現を計算し、ダウンロードできる。ソースコード、モデル重み、研究論文は公開されており、出力ファイルはCloud-Optimized GeoTIFFで、Studio UIまたはAPIから関心領域、期間、エンコーダー種別、解像度、画像ソースを選んで作成する。

OlmoEarth Studioは事前計算済みの全球アーカイブから取り出すのではなく、必要に応じて埋め込みを計算するため、選択した条件や期間に合わせた出力を作れる。ユーザーは任意のポリゴンを描画またはアップロードし、1-12カ月の期間を設定し、Nano（128次元、1.4M params）、Tiny（192次元、6.2M params）、Base（768次元、89M params）を選べる。解像度は1ピクセルあたり10 meter、20 meter、40 meter、80 meterで、画像ソースはSentinel-2 L2A、Sentinel-1 RTC、または両方に対応する。Studioは埋め込み次元ごとに1バンドを持つCOGを返し、値は-127から+127までの符号付き8-bit整数として保存され、-128はnodata用に予約される。

例では、OlmoEarth-v1-Tinyの埋め込みを40-meter解像度で使い、Sentinel-2 L2A合成画像を利用した。多くのタスクでは年次、変化検出では月次の合成が使われた。類似検索では、California州Mercedの都市中心部近くのクエリピクセルから、都市構造や道路回廊が類似して見え、農地区画は非類似のまま残るヒートマップが得られた。農業ウィンドウのクエリでは、最も類似したパッチが0.89以上を記録し、灌漑農地を示した一方、ゼロ付近の最も類似度が低い領域には空港、乾いた地形を伴う貯水池、乾燥した放牧地が含まれた。

OlmoEarthの埋め込みは、VietnamのCa Mauを対象にした少数例セグメンテーション（少数の例で領域を分類する手法）にも使われた。チームはESA WorldCover 2021を使い、マングローブ、水域、その他のクラスについて各クラス20個、計60個のピクセルにラベルを付け、特徴量ごとの標準化を伴うロジスティック回帰を訓練した。60個のラベル付きピクセルから、分類器は一貫した地域土地被覆図を生成し、weighted F1 = 0.84を記録した。記事によれば、ラベル数を30から300に増やしても精度はほとんど変わらなかった。この投稿はこれを線形プローブ（学習済み特徴の簡易テスト）と表現し、768次元の大きなBase埋め込みはTinyの192次元より豊かな表現を符号化するとしている。

変化検出では、StudioがCalifornia州Butte Countyの同一地域についてSeptember 2023とSeptember 2024の月次Sentinel-2埋め込みを生成し、ピクセルごとのコサイン距離を比較した。July-September 2024のPark Fireの焼失跡は、ラベルやタスク専用訓練なしに現れた。教師なし探索では、Principal Component Analysisが埋め込みを3次元に圧縮し、R/G/Bの疑似カラー表示に使われた。NetherlandsのFlevolandでは、画像が農地区画の境界を再現し、作物種、水域、都市部を色相で分離した。

出力されたGeoTIFFはQGIS、GDAL、rasterio、ユーザースクリプトで扱える。埋め込みチュートリアルには、類似検索、少数例セグメンテーション、変化検出、PCA可視化のコードが含まれる。OlmoEarth Studioは、ユーザーラベルでタスク専用のモデルヘッドを訓練して性能を高める用途向けに、教師ありファインチューニング、つまりSFTにも対応する。記事は、持続的な雲量、大気アーティファクト、観測欠損がベクトルに影響し得るため、ユーザーは自分の用途で埋め込み品質を確認すべきだと警告する。全球クラスタリング可視化では、OlmoEarth-v1-Base、patch size 8の季節別Sentinel-2合成、1.1Mの事前学習サンプル上のインスタンスレベル埋め込みが使われた。