AlphaEarth 基础框架能否重新定义栅格人口制图范式？——基于 18 个全球城市与大规模制图应用的系统评估

《Remote Sensing of Environment》：Can AlphaEarth foundations redefine the paradigm of gridded population mapping? A systematic evaluation across 18 global cities and large-scale mapping applications

　　

•首次系统评估AEF嵌入表征在人口空间建模中的应用。
•空间分块交叉验证揭示了AEF预测中存在强烈的自相关依赖。
•跨城市迁移因嵌入表征中系统性分布漂移而失败。
•空间结构变量是对AEF嵌入表征最有效的补充。
•2021–2024年地图在推理时无需新的普查输入，结果与主流产品保持一致。

引言

人口空间格局是精细化城市治理、灾害风险评估和公共卫生响应的根本数据基础，也为联合国可持续发展目标（SDGs）的多个指标提供了重要支撑（Leyk等，2019；Liu等，2024）。传统人口统计通常在行政单元级别（例如普查区、县或市辖区，范围从亚公里级到数十公里不等，具体取决于行政层级和国家情况）进行报告，导致空间分辨率较粗，无法捕捉城市内部的异质性（Georganos等，2022；Liu等，2024）。为克服这一局限，WorldPop、LandScan和GHSL（全球人类居住区图层）等产品采用面积分格制图方法，利用多源辅助变量将人口统计数据从普查单元重新分配到高分辨率网格中，在全球范围内实现了约100米分辨率的人口分布估计（Dobson等，2000；Pesaresi等，2024；Tatem，2017）。然而，这一范式仍面临若干关键局限。首先，人口建模通常依赖普查或统计数据作为校准基准，而普查的较长更新周期可能限制人口制图的时效性（Neal等，2022；Thomson等，2020）。例如，尽管WorldPop提供了2015–2030年的数据集，但仅有截至2020年的数据直接受普查输入约束，后续年份主要基于模型外推，限制了其捕捉由冲突、灾害或政策变化驱动的短期人口动态的能力；同样，GHS-POP（全球人类居住区图层人口产品）以五年为间隔发布，当前R2023A版本提供截至2030年的估计值。其次，制图精度的提升依赖于多种遥感衍生变量的构建与集成，如夜间灯光、土地利用和建筑物形态（Pesaresi等，2024；Stevens等，2015；Zheng等，2023）；这一过程通常涉及复杂的数据处理流程，可能在跨区域时面临确保一致性和可迁移性的挑战，而深度学习方法的应用进一步受到像素级人口标注稀缺的制约（Georganos等，2022；Metzger等，2024）。第三，人工特征工程高度依赖先验知识，与人口分布相关但未被明确定义的空间信号可能仍未得到充分利用，从而限制了模型捕捉复杂空间格局的能力（Tseng等，2023）。综上所述，这些局限表明当前方法在更新效率、特征表征完备性和信息利用方面仍有提升空间，这激发了探索能够编码多样化地表语义的统一表征，并结合数据驱动模型以更好地提取人口空间分布潜在信号的研究动机。

2025年7月，Google DeepMind发布了AlphaEarth Foundations（AEF）及其年度卫星嵌入数据产品（Brown等，2025）。在全球范围内，AEF集成了光学影像、多时相合成孔径雷达（SAR）观测和时空上下文信息，将多源遥感数据映射为跨传感器和时间一致的地表表征，并为每个约10米分辨率的地表单元生成64维嵌入向量。与传统依赖人工特征工程的人口制图方法相比，AEF具有三个潜在优势。第一，AEF嵌入独立于普查周期更新，从而可能降低人口制图对同步普查输入的需求。第二，多源遥感信息在统一框架中被压缩为密集嵌入，有助于减少对特定区域特征工程流程的依赖，提高特征表征的一致性。第三，64维嵌入通过表征学习从地表观测中学习获得，能够捕捉用人工工程特征难以明确定义的空间信息。然而，AEF的表征能力能否有效支持人口空间建模仍有待系统评估。

现有关于AEF的研究主要聚焦于农作物制图（Fang等，2025；Ma等，2026；Zvonkov等，2025）、土地覆盖分类（Khan和Ahmad，2025）和环境变量估计（Alvarez等，2025；Qu等，2026）等任务。这些任务通常与遥感观测存在相对直接的谱学、结构或时相对应关系，因此与AEF的地表表征设计高度契合。相比之下，人口分布无法直接从遥感数据中观测到，而是由建成环境、城市功能、产业结构、交通可达性、政策变化和破坏性事件等多种因素塑造的社会经济空间结果（Wu等，2005）。因此，AEF嵌入表征对人口空间结构的表征能力、在不同训练策略下的泛化性能及其与辅助变量的交互作用，无法仅凭设计原则可靠推断。在此背景下，本研究系统评估了AEF在人口空间建模中的适用性，并进一步探索以AEF为核心表征的人口制图方法，旨在确定无需在推理阶段输入新普查数据的AEF驱动方法能否作为一条方法学上具有区分性且实际可行的路线，用于高分辨率人口分布制图。

在此背景下，本研究聚焦于AEF在人口空间建模中的适用性及其最优使用方法，提出五个核心研究问题：
• Q1（可行性）：在不纳入任何辅助特征的情况下，AEF的64维地表嵌入能否有效表征城市人口空间分布？其在不同城市和训练-测试评估设置下的性能表现如何稳定？
• Q2（训练策略）：AEF人口建模在四种训练策略下——单城市单年（S1）、单城市多年（S2）、跨城市同年（S3）和全球混合（S4）——的性能如何变化？哪种策略最能利用AEF提供的时空对齐嵌入？
• Q3（尺度适应性）：当从100米扩展到1公里分辨率时，AEF人口建模的性能是否保持一致？其性能极限和尺度依赖特征是什么？
• Q4（维度结构）：AEF嵌入的64个维度是否包含冗余信息？是否存在对人口预测贡献不成比例的核子集？这一贡献模式是否在不同城市间保持一致？
• Q5（辅助增益）：当AEF与夜间灯光、遥感指数、空间结构变量和兴趣点（POI）等辅助特征集成时，各特征类型的边际增益如何？这些增益是否依赖于训练策略的选择？

为回答上述五个研究问题，本研究整合了六个大洲18个城市的AEF嵌入数据（2017–2024年）、WorldPop人口数据（2017–2020年），以及包括夜间灯光、POI、遥感指数和路网特征在内的多种辅助变量，以系统评估AEF在人口空间建模中的适用性并确定最优使用策略。基于最优模型配置，开展了两项制图应用：(1) 2021–2024年1公里分辨率的全球人口制图，以评估所提框架在全球尺度下的外推稳定性；(2) 18个城市2021–2024年100米分辨率的人口制图。总体研究设计和技术流程如图1所示。

本研究的主要贡献如下：
•首次系统评估AEF嵌入在人口空间建模中的应用。
•空间分块交叉验证揭示了AEF预测中存在强烈的自相关依赖。
•跨城市迁移因嵌入表征中系统性分布漂移而失败。
•空间结构变量是对AEF嵌入最有效的补充。
•2021–2024年地图在推理时无需新的普查输入，结果与主流产品保持一致。

本文其余部分组织如下：第2节回顾了人口制图和AEF的相关工作；第3节描述研究区和数据集；第4节介绍建模方法和实验设计；第5节报告结果；第6节展示了全球1公里分辨率和18个城市100米分辨率的人口制图应用；第7节讨论了所提方法的适用性和局限性，并对未来研究方向进行了总结。

章节摘要

人口空间分布制图

人口空间分布制图旨在将人口统计数据或代理观测转化为高分辨率网格化人口分布。早期方法基于统计插值和空间重新分配。Tobler（1979）的等面插值强调在保持区域人口总和的同时生成平滑连续表面（Tobler，1979），而Mennis（2003）引入了面积分格制图方法，利用辅助变量约束人口重新分配。

研究区

本研究选择了分布于六个大洲的18个城市作为研究区。选择遵循三个主要标准：(1) 地理覆盖，确保涵盖亚洲、欧洲、非洲、北美洲、南美洲和大洋洲的代表性，包括东京、广州、德里、莫斯科、伊斯坦布尔、伦敦、开罗、拉各斯、内罗毕、纽约、洛杉矶、墨西哥城、圣保罗、布宜诺斯艾利斯和悉尼等城市；(2) 城市规模和发育阶段的多样性，涵盖不同人口规模的城市。

模型和训练参数选择

AEF嵌入与人口空间分布之间的功能关系先验未知，可能涉及线性响应、非线性变换和高阶特征交互。因此，本研究构建了一个多范式比较框架，包括线性模型、集成学习模型和神经网络模型，以表征AEF表征在不同假设空间下对人口制图的解释能力。

直接应用性能

在随机80/20划分下，五种模型在2017–2020年五个评估指标下的性能表现如图3所示。在中位数性能方面，MLP在所有年份和指标上一致取得最佳结果（R2均值：0.952–0.956；MAE：8.89–9.43；RMSE：23.39–24.74），而ElasticNet表现最差（R2中位数：0.821–0.828）。尽管如此，所有模型的中位数R2值均高于0.82，最低城市级R2仍保持在0.60以上，表明地表100米映射对主要城市具有良好适用性。

主要城市100米制图

第5.4节确定的最优建模配置（MLP + S2多年训练 + C3空间结构变量）被迁移至外推制图任务，并进行两项调整：遵循S2协议，为每个城市单独训练一个模型，仅使用该城市自身的AEF嵌入和四个可用年份（2017–2020年）的WorldPop标签，城市样本量通过比例采样控制以匹配单年基线，与第5节完全一致。

主要发现

•本研究结果揭示了基于AEF的人口建模的两个互补侧面。在多样化城市背景下，城市内预测精度较强，而跨城市可迁移性仍受AEF嵌入中系统性分布漂移的限制。在18个研究城市中，跨城市迁移后的中位数R2下降为1.202，城市对之间嵌入分布的中位数Fréchet距离为1.253，量化了这些漂移的规模。理解这一

结论

本研究系统评估了AEF作为间接耦合任务在人口空间建模中的适用性。主要结论如下。首先，AEF嵌入在受控评估设置下对人口空间格局表现出强解释力；然而，其泛化性能同时受到空间自相关依赖和跨城市特征分布漂移的制约。第二，S2训练策略、C3…

CRediT作者贡献声明

侯树阳：验证、软件、调查研究、资金获取、形式分析、数据整理、概念构思、写作-审稿与编辑、写作-原稿撰写。焦皓月：可视化、验证、资源、数据整理、写作-审稿与编辑。秦雅娴：可视化、方法学、形式分析。许庆阳：方法学、形式分析。刘子琪：数据整理。谢璐彤：可视化、资源、形式分析。许张燕：软件。王增杰：资金。唐少清：概念构思、方法学、资源、资金获取、项目监督、写作-审稿与编辑。关雪峰：概念构思、方法学、资源、资金获取、项目监督、写作-审稿与编辑。吴华一：概念构思、方法学、资源、资金获取、项目监督、写作-审稿与编辑。

资金

本研究受国家自然科学基金资助[批准号425B2013]。

利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争经济利益或个人关系。

致谢

本研究受国家自然科学基金资助（批准号425B2013），由侯树阳获得资助。

侯树阳 | 焦皓月 | 秦雅娴 | 许庆阳 | 刘子琪 | 谢璐彤 | 许张燕 | 王增杰 | 唐少清 | 关雪峰 | 吴华一