27项评测赢20项，地球被压成128个数字

想知道一片森林在过去几年里消失了多少，一块农田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。但不同卫星的传感器各不相同，影像还受云层、天气和季节影响，要从海量影像里识别地表特征，往往需要复杂的数据处理和大量算力。

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。

这套模型能综合分析一整年的卫星观测信息，把地球表面每个 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”，可以用来比较地表特征、寻找相似区域，或观察同一地点在不同年份的变化。

三类卫星数据，压成一组向量

单张卫星影像通常难以完整反映地表特征。比如想知道某个地区种了哪些作物，往往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，但随着时间推移，生长速度、叶片状态和光谱特征会呈现不同规律。

OlmoEarth v1.3 使用三类卫星数据：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。多光谱卫星能记录人眼难以直接看到的光谱信息，帮助分析植被状态；雷达卫星则可以在夜间或有云层覆盖时获取地表信息。

技术实现上，模型首先利用视觉 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，最后压缩为 128 维特征向量。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。

如果两个地区的特征向量比较接近，说明它们在模型学习到的特征上具有一定相似性。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；如果某个地点在不同年份对应的向量发生明显变化，就可能意味着当地植被、建筑或其他地表状态发生了改变。

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

训练算力降到初代的 18%

研究团队将 OlmoEarth v1.3 与 AlphaEarth Foundations、Tessera v2 进行比较，评测涉及六大洲的不同地表识别任务。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。

除识别性能外，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%。

此前的版本主要需要用户针对具体任务训练和运行模型，v1.3 则提前完成了全球范围内的特征提取并公开计算结果。过去研究人员要获取原始卫星影像、运行模型提取特征、再按任务训练；现在可以跳过重复处理原始影像的步骤，在现成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。

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

同步推出的 OlmoEarth 特征探索工具无需注册账户，用户可直接在浏览器中浏览全球地图、切换不同年份、对比某个地区的地表变化，也可以手动标记少量样本训练简单分类器，并将结果导出为 GeoTIFF 等地理空间数据格式。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，现在可以在几秒钟内得到结果；需要更高精度的任务，可进一步使用 OlmoEarth Studio 微调模型。

从非法采矿到砖窑检测

此次发布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。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，造成大面积森林破坏。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超过 1200 公顷森林损失。

2019 年，秘鲁政府启动“水星行动”（Operation Mercurio）打击当地非法采矿。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；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、其他区域仍存在采矿活动的情况相呼应。

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发现地表变化较明显的区域；但向量变化本身不能直接说明变化原因，还需结合原始卫星影像和其他资料判断。

其他应用还包括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。为检验农业监测表现，研究团队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，以及能否适应训练中未见过的地区。

目前，Ai2 已开放 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。