面向海洋颜色的 Sentinel-3 基础模型
计算机视觉与模式识别
2025-09-26 v1
摘要
人工智能（AI）基础模型（Foundation Models, FMs）预训练于大规模无标签数据集，具有潜在的颠覆性变革海洋科学中AI应用的能力，因为标注数据往往稀缺且收集成本高昂。本文描述了一种新型基础模型，采用 Prithvi-EO Vision Transformer 架构进行预训练，以重建来自 Sentinel-3 海洋与陆地颜色仪器（OLCI）的数据。我们通过对两种下游海洋地球观测任务进行微调来评估该模型。首先，我们将模型性能与当前用于量化叶绿素浓度的基准模型进行比较。随后，我们评估了该基础模型对海洋初级生产估计的远程感知方法进行细化的能力。我们的结果表明，自训练的基础模型对于海洋监测具有实际用途，尤其是在利用少量高质量标注数据方面，以及在捕捉海洋颜色的细致空间模式方面，能够与点观测结果相吻合。我们得出结论，这种新一代地理空间AI模型有望为理解海洋生态系统及其在全球气候过程中的作用提供更稳健、数据驱动的见解。
引用
@article{arxiv.2509.21273,
title = {A Sentinel-3 foundation model for ocean colour},
author = {Geoffrey Dawson and Remy Vandaele and Andrew Taylor and David Moffat and Helen Tamura-Wicks and Sarah Jackson and Rosie Lickorish and Paolo Fraccaro and Hywel Williams and Chunbo Luo and Anne Jones},
journal= {arXiv preprint arXiv:2509.21273},
year = {2025}
}
备注
15 pages, 8 figures