对比机器学习与卫星数据中的局部与全局建模：非洲大草原树冠高度估计案例研究

尽管机器学习与卫星影像（SatML）的进展正在促进全球尺度的环境监测，但 developing SatML 模型以在局部地区实现准确且实用的建模，仍是理解和应对不断变化的地球环境的关键。随着越来越多的注意力和资源投入到使用全球数据训练 SatML 模型，理解何时全球模型的改进会使更容易训练或微调在特定地区准确的模型上，变得尤为重要。为探索这一问题，我们通过非洲马琴布尔（Mozambique）卡林加纳游戏保护区（Karingani Game Reserve）的案例研究，对比了 SatML 中局部和全局训练范式，针对树冠高度（TCH）进行映射。我们发现，近期在全球 TCH 映射方面的进展并不一定转化为该研究地区更好的局部建模能力。具体而言，仅使用当地收集的数据训练的小模型优于已发布的全球 TCH 地图，甚至优于我们使用当地数据微调的全球预训练模型。进一步分析这些结果，我们识别出局部和全局建模范式中存在的具体冲突与协同点，这些发现可为未来在地理空间机器学习中对齐局部与全局性能目标的研究提供指导。