위성 이미지로 작물이나 숲 지도를 만들고 있다면, 지금 바로 읽어보세요. 가장 무거운 계산은 이미 누군가가 지구 전체를 대상으로 완료하여 무료로 제공하고 있습니다.

Ai2의 기술 보고서에 따르면, 이전 세대의 OlmoEarth v1.2를 사용해 대규모 지도를 생성할 경우, 비용의 98%가 모델 추론(inference) 비용이었습니다 (나머지 2%는 데이터 내보내기 및 전처리). 이 추론 과정을 먼저 지구 전체에 걸쳐 실행하고, 10m 간격마다 64~128개의 숫자 (임베딩, embedding)로 배치한 데이터가 현재 세 가지 존재합니다.

• Google DeepMind의
  AlphaEarth Foundations (64차원)
• Cambridge 대학의
  TESSERA (128차원, 최신은 v2)
• Ai2의
  OlmoEarth v1.3 (128차원, 10월 22일 공개)

Google DeepMind의 발표에 따르면, 10m 간격의 격자는 1년 동안 1조 4천억 개가 넘습니다. Ai2의 임베딩은 전 지구적으로 1년 약 150TB 규모이며, 계산에는 약 1만 4,000 H100시간(H100 환산 추정치)이 소요되었습니다. Ai2가 블로그에서 제시한 학습 비용(최종 학습에 약 2,720달러)을 보고서의 539 GPU 시간으로 나누면 시간당 약 5.05달러입니다. 이 단가를 기준으로 환산하면, 1년 분량의 추론만으로 약 7만 달러 상당이 됩니다 (필자 추정). 게다가 Ai2의 자료는 계정이나 API 키 없이도 열람할 수 있습니다.

그렇다면 어떤 것을 사용해야 할까요? 세 논문 모두 다음과 같이 주장합니다.

Google DeepMind (2025-07)
The embeddings generated by AlphaEarth Foundations are the only to consistently outperform ...
Cambridge (2026-07)
...

세 제품 모두 자신이 1위라고 합니다.

1. 논문의 순위가 아닌, 자신의 레이블 수백 개로 세 가지를 비교하여 결정하는 것이 중요합니다. 세 자료 모두 무료로 열람할 수 있습니다. 같은 지점의 임베딩을 추출하여 동일한 분류기(classifier)에 적용하면, 자신에게 맞는 승자가 무엇인지 알 수 있습니다.

2. 순위를 움직이는 것은 모델의 우열보다 '누가, 어떻게 데이터를 읽어 측정했는지'입니다. 같은 AlphaEarth임에도 불구하고, Cambridge 논문이 집계한 Google의 15개 평가에서는 2위였고, Ai2의 11개 평가에서는 최하위에 놓였습니다.

3. 다만, 논문에서 비교된 버전이 그대로 제공되지는 않을 수 있습니다. AlphaEarth는 2024년 데이터까지만 제공되며, TESSERA v2 전 지구 데이터는 사전 요청제입니다. 승리한 OlmoEarth에는 군사 및 자원 채굴 이용 금지 조건이 붙습니다.

그림: 각 조직의 논문에서 3개 제품이 몇 위였는지 (세 논문을 바탕으로 필자 작성). 대각선의 ★은 평가한 조직 자신의 제품입니다.

자료 확인일은 2026년 10월 24일입니다. 수치와 인용 자료는 Google DeepMind의 AlphaEarth Foundations 논문(arXiv:2507.22291 v2), Cambridge 대학의 TESSERA v2 논문(arXiv:2607.03949 v2), Ai2의 OlmoEarth v1.3 기술 보고서 및 블로그(10월 22일)를 기반으로 합니다. 모든 비교는 각 조직이 스스로 수행한 것이며, 제삼자가 세 제품을 동일 조건에서 비교한 결과는 발견되지 않았습니다. GitHub 스타 수는 필자가 GitHub API로 가져온 것입니다. 달러 환산액과 일본 전역의 용량은 필자의 추정치입니다. 게재된 코드는 모두 미실행 상태이며, 필자는 임베딩 데이터를 실제로 다운로드하지 않았습니다.

TESSERA v2의 132바이트는 Ai2 보고서에 기재된 것으로, int8 128개와 크기를 나타내는 float 1개가 포함됩니다. OlmoEarth의 2017~2022년 데이터는 일부 국가에 한정적입니다.

여기까지는 "무료 지구 데이터가 3가지 있다"는 이야기였습니다. 흥미로운 점은 그 이후입니다. 같은 "10m 간격당 하나의 벡터"일지라도, 생성 방식이 완전히 다릅니다.

TESSERA v2는 인접한 픽셀을 보지 않습니다. 캠브리지 대학의 논문에 따르면, 입력은 "해당 10m 픽셀에서 1년 동안 관측된 Sentinel-1과 Sentinel-2 전체"입니다. 구름이 많은 지역에서는 몇 번, 맑은 지역에서는 약 100회 정도가 됩니다. 두 위성을 각각 다른 Transformer에 통과시키고(날짜는 연내 날짜를 사인파로 인코딩), 길이가 제각각인 시퀀스를 attention pooling으로 하나로 통합한 뒤, 융합용 Transformer를 사용하여 128차원으로 만듭니다. 학습은 Barlow Twins를 사용했으며, 20억 개의 파라미터를 가진 교사 모델을 4,400만(L)에서 약 100만(N)의 학생 모델로 증류했습니다.

AlphaEarth는 시공간을 비디오처럼 읽습니다. Google DeepMind의 논문에 따르면, 인코더 STP는 세 가지 종류의 연산을 반복합니다. 한 변이 L인 입력에 대해 Space는 1/16 해상도의 ViT 스타일 공간 주의(spatial attention), Time은 1/8로 시간 축 주의(temporal attention), Precision은 1/2로 3x3 컨볼루션(convolution)을 수행합니다. 관측 시각은 밀리초 단위의 타임스탬프를 사인파 타임코드 형태로 전달하기 때문에, 관측이 없는 시기에도 보간하여 "이 1년"을 요약할 수 있습니다. 출력은 64차원 단위 구면 위의 점이 됩니다. 학습 목표에는 GEDI의 LiDAR, GRACE의 중력, ERA5-Land의 기상 데이터, Wikipedia와 GBIF(생물 관측 기록)의 텍스트까지 포함되어 있습니다(추론 시 사용하지 않음). 규모는 약 4.8억 파라미터이며, 가중치(weights)는 공개되지 않았습니다.

OlmoEarth v1.3은 20m로 생각하고 10m로 답변합니다. Ai2 보고서에 따르면, 16x16 픽셀의 창(window)을 30일 간격으로 합성한 12장 x 3개 센서(Sentinel-1, Sentinel-2, Landsat)를 이용해 읽습니다. ViT-Base는 2x2 픽셀(20m)을 1개의 토큰으로 만들기 때문에, 10m 그대로 읽는 것보다 계산량이 7.7배 가볍습니다(창당 308 대 2,378 GMACs). 여기에 학습된 질의(query)를 10m 픽셀마다 복제하여 주의를 기울이고(Attention Pooler), 768차원을 선형층으로 128차원으로 낮춥니다. 처음 64차원만 사용해도 쓸 수 있도록 학습되어 있습니다.

# OlmoEarth v1.3의 추론 흐름(가상 코드/미실행. 토큰 수는 보고서 설정에서 필자가 계산)
tokens = vit(window_16x16) # 12개월 × 3센서 × 8×8패치 = 2,304토큰 (각 768차원, 20m)
queries = location_query.repeat(16 * 16) # 같은 질의를, 10m의 256픽셀 분 복제
...

나열해 보면, 차이점이 명확합니다.

|

Landsat 항목은 케임브리지 논문의 부록에 다음과 같이 나와 있다.

Adding Landsat as a third optical source lowered downstream accuracy in every configuration we tried

같은 위성을, 한쪽은 버리고 다른 쪽은 사용하고 있다.

한편, 관측을 건너뛰지 않고 모두 읽는 TESSERA v2는 에티오피아 작물 분류에 있어서만 Ai2의 평가에서도 OlmoEarth v1.3에 일관되게 앞선다. 그 이유는 두 논문 어디에도 쓰여 있지 않지만, 작물의 생장 시간 변화를 세밀하게 가지고 있다는 점이 효과적이었을 가능성이 있다 (필자의 추측).

세 편의 논문에서 AlphaEarth의 위치만을 추출했다.

케임브리지의 수치는 합성 점수(composite score)이며, Google의 15개 평가에서의 AlphaEarth 0.560은 Google이 공개한 값을 케임브리지가 채택한 것이다. Google의 23.9%는 레이블을 최대치까지 사용하는 설정에서의 값이다. Ai2의 4개 제품은 OlmoEarth의 128차원 버전과 64차원 버전을 별도로 계산한다.

평가를 진행한 기관의 제품이 매번 1위를 차지하고 있다.

케임브리지 논문에는 또 다른 흥미로운 수치가 있다. Google의 15개 평가에서 AlphaEarth가 기록한 0.560은 TESSERA v2에서 가장 작은 학생 N(약 100만 파라미터)과 동일한 값이다. 4억 8천만 파라미터의 비공개 모델과 100만 파라미터의 학생이 동점이라니. 정말일까? 적어도 케임브리지의 집계에서는 그렇게 되어 있다.

결국, 어떤 것이 가장 강하다고 생각하는가? 여러분의 예상도 댓글로 알려주세요.

임베딩(embedding)은 그 자체만으로는 지도가 될 수 없다. kNN이나 선형 분류기(linear classifier), 작은 CNN을 위에 얹어야 비로소 답이 나온다. 어떤 헤드(head)를 얹느냐에 따라 승리하는 아키텍처가 달라진다.

Ai2 보고서에는 다음과 같이 쓰여 있다.

AEF does not benefit from regularization but does benefit from more complex classifiers like the MLP and random forest

OlmoEarth와 TESSERA는 반대로 정규화된 선형 모델(릿지 회귀나 로지스틱 회귀)에서 가장 좋은 성능을 보인다. 케임브리지 논문도 자신의 방식에 대해 다음과 같이 쓰고 있다.

pixel-wise representations like TESSERA v2 are best read with a head that can use their spatial neighbourhood

옆 픽셀을 보지 못하는 TESSERA는 주변을 볼 수 있는 CNN 헤드를 얹으면 성능이 향상된다. 실제로 케임브리지의 보류 과제 중 도시 관련 8개 과제(CityRep)를 선형 프로브에 맞추자, OlmoEarth-L 쪽이 근소하게 더 높은 점수를 얻는다 (평균 순위 1.50 대 1.75). 그럼에도 불구하고 14개 과제 전체에서는 TESSERA v2가 0.597 대 0.573으로 간신히 앞선다는 것이 케임브리지의 주장이다.

PLANTEUR는 Ai2가 이번에 함께 만든 작물 구획 벤치입니다. 프랑스 해외 영토(마르티니크, 레위니옹, 프랑스령 기아나, 과도루프, 마요트)의 레이블을 사용하여 섬 하나를 제외하고 학습시키고, 본 적 없는 섬에서 측정하는 설정(LOIO: Leave-One-Island-Out)이 있습니다.

수치는 mIoU(mean Intersection over Union)이며, Ai2 리포트의 표 2에 따른 것입니다. 섬 제외 설정에서는 OlmoEarth가 TESSERA v2보다 약 30%, AlphaEarth보다 약 58% 높습니다 (필자 계산). 다만, 이는 Ai2가 만든 과제를 Ai2가 측정한 결과일 뿐입니다.

케임브리지 측의 유보된 과제 역시 14개 과제 중 8개가 도시 데이터셋 CityRep에서 왔습니다. 그리고 케임브리지는 Google의 평가 세트 자체를 의심하고 있습니다.

AlphaEarth는 학습 코퍼스를 공개하지 않기 때문에, 그 AlphaEarth 스위트 레이블이 자체 학습 과정에서 노출되었을 수 있습니다.

학습 데이터가 비공개이므로, 평가용 레이블을 학습 중에 보고 있는 가능성을 부정할 수 없습니다. 그래서 케임브리지는 자신이 고른 유보 과제를 주된 비교 대상으로 삼았습니다.

케임브리지가 비교한 것은 OlmoEarth v1 세대의 대형 모델 OlmoEarth-L(3억 800만 파라미터)이며, v1.3이 아닙니다. 반대로 Ai2가 비교한 것은 케임브리지가 7월에 발표한 TESSERA v2의 L입니다. 둘 다 상대방보다 조금 이전 버전과 싸우고 있습니다.

바이트 수도 일치하지 않습니다. 픽셀당 AlphaEarth는 64바이트, OlmoEarth는 128바이트, TESSERA v2는 132바이트입니다. Ai2는 이 차이를 인지하여, 자신의 선두 64차원(64바이트)만으로 비교한 수치도 제시했습니다. 이는 평가 11개 중 7개에서 AlphaEarth와 TESSERA v2 모두를 능가했습니다. 케임브리지 역시 TESSERA v2의 선두 16차원만으로도 128차원의 성능의 92%가 유지된다고 언급합니다.

Ai2 자신도 블로그에서는 '27개 평가 중 20', 리포트에서는 'kNN-20에서 11개 평가 중 10'과 같이 분모가 다른 두 가지 수치를 제시하고 있습니다. 블로그는 27개의 세부 내역을 적지 않았습니다.

게다가 케임브리지는 395회의 학습 과정에서, 사전 학습 손실(pre-training loss)과 다운스트림 성능이 거의 무관했음(Pearson 상관계수 -0.18)을 보고했습니다. 학습 손실이 감소하더라도, 자신의 과제에서 승리한다고 보장할 수 없습니다.

여기에 나열된 수치들은 모두 각 기관의 자체 신고이며, 제3자가 세 제품을 동일한 조건으로 비교한 결과는 아직 찾아볼 수 없습니다.

Ai2의 Embeddings Explorer는 로그인 없이 열 수 있습니다. 리포트에 따르면, 클릭한 지점에서 유사한 장소를 찾거나, 그린 범위를 클러스터링할 수 있으며, 결과는 동일한 처리를 데이터셋에 재현하는 Python 스크립트로 작성하여 내보낼 수 있습니다.

잘 아는 밭이나 숲을 한 지점을 클릭하고, 나타난 '유사한 장소'가 정말 같은 작물인지 또는 임상(林相)인지를 확인해 보길 바랍니다. 단, 화면의 색상은 PCA의 3개 성분으로, 리포트에 따르면 국소적 분산의 5분의 1~5분의 2만을 나타냅니다. 색상의 시각적인 모습으로 우열을 판단하지 말 것.

Source Cooperative의 README에는 한 지점을 읽는 코드가 실려 있습니다. 좌표만 홋카이도 십장(十勝)으로 바꾸고, 문자열 인용 부호를 작은따옴표로 통일했습니다.

# Source Cooperative의 README의 코드를, 좌표만 십장에 바꾼 것 (미실행)
# pip install 'zarr>=3' obstore pyproj numpy
import numpy as np
...

선두 64차원만 읽으면 전송량은 거의 절반이 됩니다.

AlphaEarth의 연간 임베딩(annual embedding)은 Earth Engine 데이터 카탈로그에 GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL로 올라와 있습니다. Python에서 사용하려면, 공식 절차대로 Google Cloud 프로젝트가 필요합니다.

Earth Engine의 Python API (미실행). 'my-project'는 사용자의 프로젝트 ID로 대체하세요

pip install earthengine-api

import ee
...

카탈로그에 따르면, 동일한 데이터는 Google Cloud Storage의 gs://alphaearth_foundations에도 존재하며, 2026년 7월부터 'provider pays'(전송 비용을 제공자가 부담하는 설정)로 변경됩니다.

Cambridge의 GeoTessera는 Python 3.12 이상에서 작동합니다. README에 있는 명령어는 다음과 같습니다.

# GeoTessera README에서 발췌 (미실행). 기본값은 v1.1 임베딩
pip install geotessera
geotessera download --bbox '-3.0,53.4,-2.9,53.5' --year 2024 --output region/

# README 예시는 probe(0.12, 52.20, ...)의 Cambridge 자료입니다. 경도・위도의 순서로 변경했습니다 (미실행)
from geotessera import GeoTesseraZarr
gt = GeoTesseraZarr()
...

여기서 얻는 것은 v1.1이며, Ai2가 비교한 v2가 아닙니다. v2의 가중치(N, S, M, L 4개 학생과 20억 파라미터의 교사)는 Hugging Face의 geotessera에서 공개되어 있습니다. v2 임베딩이 당장 필요하다면 직접 추론을 수행하거나 TESSERA README에 있는 사전 요청에 신청해야 합니다. README가 권장하는 학생은 M입니다.

Earth Engine 카탈로그에는 AlphaEarth에 대해 다음과 같이 적혀 있습니다.

The embeddings are unit-length, meaning they have a magnitude of 1 and do not require any additional normalization.

하지만 OlmoEarth의 README에 따르면, 이곳은 L2 정규화(L2 normalization)가 되어 있지 않습니다. 128차원에서의 노름(norm)은 3.0~3.8(중앙값 3.4)이며, 값은 int8로 부호 있는 제곱근을 통해 양자화되어 있습니다(-128은 결측). 양자화가 비선형적이기 때문에, 역양자화 전에 덧셈이나 평균을 하면 값이 왜곡됩니다. TESSERA의 NPY 타일 역시 int8과 별도의 float32 스케일 조합입니다.

내적(dot product)을 그대로 코사인 유사도(cosine similarity)로 사용하면, OlmoEarth만 벡터의 길이가 영향을 미치게 됩니다.

대책: 세 제품 모두 역양자화 후 L2 정규화를 거치는 전처리 과정을 통일할 것. 64차원과 128차원을 하나의 분석에 혼합하지 말 것.

OlmoEarth의 보고서에는 다음과 같이 언급되어 있습니다.

a single-pixel query still moves the whole chunk containing it, roughly 3MB

Zarr 청크는 256×256 화소 × 64차원이며, 128차원을 모두 읽으면 타일당 6.05MB이고, 앞쪽 64차원만 읽을 경우 3.04MB가 됩니다. 무작위로 떨어진 1만 지점을 하나씩 읽는다면, 앞쪽 64차원만 해도 최악의 경우 약 30GB, 128차원은 약 60GB를 전송하는 계산이 나옵니다 (필자 추산).

대책: 지점을 256×256 화소 청크 단위로 모아서 읽고, 가능하다면 앞쪽 64차원만 읽을 것.

OlmoEarth는 2048×2048 화소(20.48km)의 창(window)마다 추론합니다. 창의 가장자리 화소는 한쪽 측면의 문맥만 볼 수 있기 때문에, 20.48km마다 희미한 이음매가 생깁니다. Ai2는 창 주변에 48화소의 여백을 추가하여 추론하는 방식으로 변경했고, 창 경계를 가로지르는 화소 간 유사도(창 내부 인접 화소 간 비율)를 0.960에서 0.994로 높였습니다. 하지만 보고서에는 다음과 같이 적혀 있습니다.

2025, most of 2024 and a small part of 2019 and 2023 were built before the change

2025년 자료는 여백 없이 만들어졌습니다. 여백이 있는 자료와 비교하여 변화를 감지할 경우, 이음매를 실제 변화로 오인할 위험이 있습니다.

대책: provenance에 기록된 여백(margin)을 확인하고, 20.48km 격자선 상에서 나타나는 변화는 의심하는 자세가 필요합니다.

OlmoEarth 라이선스의 제2조는 다음 두 가지를 금지한다.

1. Any military and defense-related applications and use cases (모든 군사 및 방어 관련 응용 프로그램 및 사용 사례)
2. Any extractive activities, operations and use cases involving the removal of raw materials from the earth (지구에서 원자재 제거와 관련된 모든 추출 활동, 운영 및 사용 사례)

여기에는 채굴이나 광산 개발, 산림 벌채를 통한 석유·가스·광물 채취를 계획하거나 지원하는 용도도 포함되며, 이 제한은 파생물(Derivatives)에도 적용된다. Ai2는 광산 확장을 추적하는 사례를 보여주고 있지만, 채굴하는 측이 사용하는 것은 금지라는 구조이다.

대책: 사용하기 전에 자신의 용도를 라이선스 원문과 대조해 볼 것. TESSERA를 상업적으로 사용할 경우, 표기상의 차이를 개발사에 확인해야 한다.

10월 24일 기준으로 전 세계에서 읽을 수 있는 연도는 다음과 같다.

AlphaEarth : 2017~2024년 (Earth Engine 카탈로그)
TESSERA v1.1 : 2017~2025년 (GeoTessera README)
TESSERA v2 : 사전 요청제 (README에 v2 coverage is still rolling out 명시)
...

전 세계적으로 2017년부터 2025년까지 총 9개 년도의 데이터를 즉시 읽을 수 있는 것은 TESSERA v1.1뿐이다. 2025년 전 세계 데이터가 없는 것은 AlphaEarth뿐이다.

대책: 필요한 연도와 지역을 먼저 결정할 것. OlmoEarth는 assets/coverage.tif, TESSERA는 geotessera coverage --country 'United Kingdom' --year 2024 (README 예시. 국가명을 변경하여 사용)과 같이 존재 여부를 확인한 후에 설계해야 한다.

2026년 10월 24일 기준으로 각 제품의 공식 페이지와 GitHub API에서 수집했다.

표를 통해 알 수 있는 것:

전 세계적으로 지금 당장 읽을 수 있는 2025년 지구 데이터는 TESSERA v1.1과 OlmoEarth v1.3뿐이다. AlphaEarth는 2024년 자료까지만 제공한다.

기간을 변경하여 임베딩(embedding)을 재구성할 수 있는 것은 가중치(weights)가 공개된 TESSERA와 OlmoEarth뿐이다. 켄트브리지 논문에서는 증발산(Evapotranspiration, OpenET) 과제에서 TESSERA v2를 연 단위에서 월 단위로 변경했을 때, 점수가 0.51점에서 0.69점으로 상승하여 AlphaEarth (연 단위)의 0.58점을 역전시켰다.

Ai2가 비교한 TESSERA v2와 지금 바로 다운로드할 수 있는 TESSERA v1.1은 별개이다. v1.1은 Ai2의 비교 대상에 포함되지 않았다. 켄트브리지의 보류 과제에서는 구 버전인 v1이 0.614점으로 OlmoEarth-L과 동점이었다.

용량 및 계산량으로 비교하면 다음과 같다.

세 제품의 임베딩을 동일한 지점에서 추출했다면, 동일한 분할(split)과 여러 개의 헤드(head)로 비교해야 한다. 헤드를 하나로 고정하지 않는 것이 핵심이다.

# 3제품을 같은 조건으로 비교 (미실행). scikit-learn 필요
import numpy as np
from sklearn.model_selection import StratifiedKFold
...

선형(linear)과 kNN만으로 결정하면 AlphaEarth의 잠재력을 간과하게 되고, 점만 보는 헤드로 결정하면 TESSERA의 잠재력을 간과한다. TESSERA에 적합한 CNN 헤드를 테스트하려면, 점이 아닌 주변 패치 전체를 추출해야 한다.

✗ “논문에서 1위면 최고” → 세 논문 모두 자신의 제품이 1위
✗ “차원이 많을수록 강하다” → OlmoEarth의 상위 64차원이, 11개 평가 중 7개에서 양쪽보다 우수함
✗ “kNN으로 맞추면 공평하다” → AEF는 MLP나 RF로 발전하고, TESSERA는 근처를 보는 헤드로 발전함
...

지구 임베딩은 위성 이미지의 전처리 및 추론이라는 가장 무거운 작업을 대신해 준다. 세 제품 모두 적은 레이블로 지도를 만들 수 있다는 점을 강점으로 내세우고 있으며, 그 진입점은 무료로 열려 있다.