IT之家注意到，该地图使用了来自欧洲空间局（European Space Agency）哨兵-2（Sentinel-2）卫星的卫星图像。但是，这些图像仍然无法清楚地显示地面细节，于是他们使用了一种名为“超分辨率”（Super-Resolution）的解决办法。基本上就是使用深度学习模型来填补细节，例如建筑物可能是什么样子，从而生成高分辨率的图像。
上图是人工智能生成的肯尼亚纳库鲁的高分辨率图像，下图是卫星拍摄的同一位置的低分辨率图像
目前，Satlas 主要关注全球的可再生能源项目和森林覆盖率。数据每月更新，包括哨兵-2 监测的地球部分区域，这包括除了南极洲和远离陆地的公海之外的大部分地区。
该地图显示了太阳能发电场和陆上和海上风力涡轮机，还可以用它来查看树冠覆盖率随时间的变化，这些对于试图实现气候和其他环境目标的政策制定者来说非常重要。
据艾伦研究院称，这是第一款覆盖范围如此广泛且免费向公众开放的工具，其开发者也表示，这可能是超分辨率技术在全球地图中的首次展示。
当然，还有一些问题需要解决。与其他生成式人工智能模型一样，Satlas 也容易出现“幻觉”，有时会以一种奇怪的方式绘制建筑物，例如建筑物是矩形的，而模型可能认为它是梯形或者别的什么，这可能是由于不同地区的建筑风格差异导致模型难以预测。另一个常见的“幻觉”是在模型认为应该有汽车和船只的地方放置汽车和船只，这是基于训练模型所用的图像。
为了开发 Satlas，艾伦研究院的团队不得不手动浏览卫星图像，标记出 3.6 万台风力涡轮机、7 千个海上平台、4 千个太阳能发电场和 3 千个树冠覆盖率。对于超分辨率，他们向模型输入了同一地方在不同时间拍摄的许多低分辨率图像。模型使用这些图像来预测高分辨率图像中的亚像素细节。
艾伦研究院还计划扩展 Satlas，提供其他类型的地图，包括一种可以识别全球种植作物类型的地图。
