把整个地球装进AI模型：10米分辨率，森林消失、农田变化都能追踪

如果想知道一片森林在过去几年里消失了多少，或者一块农田种植的作物发生了什么变化，卫星影像通常是最重要的数据来源之一。

如今，卫星每天都会拍摄大量影像，持续记录森林、农田和城市的变化。但不同卫星使用的传感器各不相同，影像还会受到云层、天气和季节变化的影响。要从海量影像中识别地表特征，往往需要复杂的数据处理和大量计算资源。

当地时间 10 月 22 日，美国艾伦人工智能研究所（Allen Institute for AI，简称 Ai2）发布了新一代地球观测基础模型 OlmoEarth v1.3，同时向全球开放经过预先计算的卫星影像特征数据。

这套模型能够综合分析一整年的卫星观测信息，将地球表面每个 10 米分辨率网格对应的数据压缩成一个包含 128 个数值的向量。这些向量相当于不同地点的“数字指纹”，可以帮助研究人员比较地表特征、寻找相似区域，或者观察同一地点在不同年份发生的变化。

根据 Ai2 公布的测试结果，在与谷歌 AlphaEarth Foundations、Tessera v2 等地球观测模型的 27 项评测中，OlmoEarth v1.3 的 128 维版本在其中 20 项取得最高成绩。

此次发布还包括覆盖全球的预计算特征数据，以及可以直接在浏览器中使用的分析工具。研究人员无需自行运行大型模型，就能利用这些数据开展地表分类和变化监测。

把海量卫星影像，压缩成 128 个数字

卫星遥感广泛应用于农业、生态保护和灾害监测，但单张卫星影像通常难以完整反映地表特征。例如，如果研究人员想知道某个地区种植了哪些作物，往往需要观察其在不同季节的生长变化。不同作物在某个生长阶段可能十分相似，但随着时间的推移，它们的生长速度、叶片状态和光谱特征会呈现不同规律。

OlmoEarth v1.3 的方法是让 AI 综合学习这些信息，并将其转换成便于分析的数字特征。模型使用了三类卫星数据，包括欧洲空间局的哨兵 1 号（Sentinel-1）雷达卫星、哨兵 2 号（Sentinel-2）多光谱卫星，以及美国陆地卫星（Landsat）的观测数据。

其中，多光谱卫星能够记录人眼难以直接看到的光谱信息，帮助研究人员分析植被状态；雷达卫星则可以在夜间或有云层覆盖的情况下获取地表信息。通过整合不同卫星在一年内采集的数据，模型能够提取更加全面的地表特征。

在技术实现上，OlmoEarth v1.3 首先利用视觉 Transformer 处理不同时间、不同传感器的数据，再通过注意力池化模块（Attention Pooler）整合信息，最后将其压缩为 128 维特征向量。

图 | OlmoEarth v1.3 的训练过程（来源：Ai2）

所谓 128 维，可以简单理解为，模型用 128 个数字描述一个地点在一年中的综合观测特征。这些数字并不直接对应森林面积、植被高度等具体指标，而是 AI 从大量数据中学习得到的一组特征。类似于人脸识别系统可以通过一串数字描述面部特征，OlmoEarth 也能够通过数字向量表达不同地点的地表特征。

如果两个地区的特征向量比较接近，说明它们在模型所学习到的特征上具有一定相似性。因此，研究人员可以先找到一片目标农田，再利用这些向量，在更大范围内寻找相似区域。同样，如果某个地点在不同年份对应的向量发生明显变化，就可能意味着当地的植被、建筑或其他地表状态发生了改变。

为了降低数据存储和使用成本，研究团队还设计了一个 64 维版本，可以直接使用 128 维向量的前 64 个数值。

研究团队将 OlmoEarth v1.3 与 AlphaEarth Foundations、Tessera v2 进行了比较，评测涉及六大洲的不同地表识别任务。其中，128 维版本在 27 项评测中的 20 项取得最高成绩，64 维版本则在 18 项评测中领先。

除了识别性能，OlmoEarth v1.3 的训练效率也有所提高。Ai2 表示，其训练所需的 GPU 计算时间约为上一代 v1.2 的 53%，仅为最初 v1 版本的 18%。

全球数据提前算好，打开浏览器就能分析

OlmoEarth 是 Ai2 开发的地球观测 AI 基础模型系列，主要通过学习卫星影像中的信息，识别土地类型、植被分布及地表变化等。此前的版本主要需要用户针对具体任务训练和运行模型，而此次发布的 v1.3 则提前完成了全球范围内的特征提取，并将计算结果公开。

过去，如果研究人员想利用 OlmoEarth 分析某个地区，通常需要获取原始卫星影像，再运行模型提取特征，并根据具体任务进行训练。此次 Ai2 直接提供了经过预先计算的特征数据，研究人员可以跳过重复处理原始卫星影像的步骤，在现成的数据上训练简单的分类器，用于识别农田、绘制土地覆盖地图或分析地表变化。

按照 Ai2 的介绍，这些数据覆盖全球陆地及邻近沿海水域，空间分辨率为 10 米，每年的数据规模约为 150 TB。截至发布时，2023 年至 2025 年的数据已经实现全球覆盖，2017 年至 2022 年的数据则覆盖部分国家，研究团队计划继续补充。

为了让这些数据更容易使用，Ai2 还同步推出了 OlmoEarth 特征探索工具。用户无需注册账户，就可以直接在浏览器中浏览全球地图，切换不同年份，并对比某个地区的地表变化。

例如，用户可以在地图上选中一处地点，让系统寻找其他具有相似特征的区域；也可以手动标记少量样本，训练一个简单的分类器，将识别结果扩展到更大范围。完成分析后，用户还可以将结果导出为 GeoTIFF 等地理空间数据格式，供其他地理信息软件使用。

研究团队表示，过去需要数小时模型训练才能完成的初步探索，现在可以通过这一工具在几秒钟内得到结果。对于需要更高精度的任务，用户也可以进一步使用 OlmoEarth Studio 微调模型。

从非法采矿到农田识别，AI 监测地表变化

在此次发布中，研究团队展示了多个实际应用案例，其中之一是监测秘鲁亚马孙地区的非法黄金开采活动。

秘鲁东南部的马德雷德迪奥斯地区长期面临非法采矿问题，相关活动造成了大面积森林破坏。根据亚马孙保护组织的监测记录，2017 年至 2018 年间，当地坦博帕塔国家保护区缓冲区内的非法采矿活动造成了超过 1200 公顷森林损失。

2019 年，秘鲁政府启动“水星行动”（Operation Mercurio），对当地非法采矿活动展开打击。为了观察此后当地的地表变化，研究团队利用 OlmoEarth v1.3，分别比较了 2017 年与 2020 年、2020 年与 2025 年的特征向量。

结果显示，2017 年至 2020 年间，明显的变化信号集中在采矿活动向东南方向扩张的区域。而在 2020 年至 2025 年的对比中，变化较明显的区域转移到了更早受到采矿影响的地带。这些变化与当地采矿活动受到打击、部分区域出现植被恢复，以及其他区域仍存在采矿活动的情况相呼应。

图 | 2017 年至 2020 年和 2020 年至 2025 年之间每个像素嵌入的变化量，品红色代表变化最大（来源：Ai2）

研究团队指出，通过比较不同年份的特征向量，无需专门训练变化检测模型，就能够发现地表变化较为明显的区域。不过，向量变化本身并不能直接说明变化原因，还需要结合原始卫星影像和其他资料进行判断。

除了非法采矿，Ai2 还展示了利用模型识别肯尼亚小农户种植的作物、检测孟加拉国达卡以西的砖窑，以及评估印度尼西亚火灾损失等应用。

为了进一步检验模型在农业监测中的表现，研究团队还推出了面向热带农业的 PLANTEUR 评测集，覆盖六个热带地区，重点考察模型在不同农业环境中的作物识别能力，以及能否适应训练过程中未见过的地区。

目前，Ai2 已经开放 OlmoEarth v1.3 的模型权重、预训练数据、训练代码和全球预计算特征数据，并发布了完整技术报告。研究人员可以下载相关资源，也可以直接通过在线工具探索不同地区的地表特征和年度变化。

1.https://allenai.org/papers/olmoearth-v1-3

2.https://allenai.org/blog/olmoearth-v1-3

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成