新上线10天前0 投票
Prithvi作物分类模型跨三大洲的迁移性与运行可靠性研究
地理基础模型在真实农田中的表现究竟如何？
一项新研究对广泛使用的地理空间基础模型 Prithvi-EO-2.0 进行了迄今规模最大的分布外性能评估，覆盖三大洲 12 个国家、37 个事件。结论并不乐观：模型在美国的平均总体精度（OA）为 0.65，到欧洲却骤降至 0.40。
精度下降背后：物候错位是主因
研究者发现，精度崩塌往往发生在观测窗口与当地作物物候不匹配时。更棘手的是，模型此时确定性置信度依然很高——这意味着它可能在“自信地犯错”。
- 预期校准误差在 8 组配对事件中有 7 组上升；
- 每个受影响场景中，12%–51% 的区域被以近零精度自信地错误标注；
- 蒙特卡洛 dropout 熵在全部 8 组事件中均捕捉到了这种偏移，表明跨大陆精度下降更多反映物候错位，而非单纯的空间迁移失败。
两项无需重训的补救措施
研究同时给出了可操作的调整方案：
- 合并类别：基于模型的主要混淆模式，将 13 类作物合并为 10 类，平均 OA 提升 8.4 个百分点。
- 压缩观测窗口：在 45 至 90 天的区间内精度可保持稳定，约 75 天达到峰值；但窗口窄于 30 天时，精度会再下降约 0.11。
对行业意味着什么
这项研究为地理空间基础模型的落地敲响警钟：微调后的模型只有在观测窗口匹配当地生长季时才能有效迁移。对于依赖卫星影像进行作物监测的农业科技公司、保险机构和政府项目而言，这意味着不能盲目将北美训练的模型直接部署到欧洲或其它地区。
论文还评估了模型对波段丢失以及云和阴影污染的鲁棒性，进一步揭示了运行环境中的潜在风险。该研究提醒业界，在将 GeoFM 投入业务化运行前，必须进行本地化的物候校准和不确定性验证。
