从 AlphaEarth 挖掘数据：面向农业下游任务的遥感基础模型基准测试
机器学习
2026-04-21 v1
摘要
遥感基础模型（GFMs）已成为克服现有特征提取方法局限性的有前景的方法。近期，Google DeepMind 引入了 AlphaEarth Foundation（AEF），该模型基于多源地理信息（EOs）在连续时间上进行预训练。使用 AEF 生成的年度全球嵌入数据集已准备好进行分析和建模。内部实验表明，AEF 嵌入在 15 项 EO 任务中无需重新训练即可超越现存 operational 模型。然而，这些实验主要聚焦于土地覆盖和土地利用分类。将 AEF 及其他 GFMs 应用于农业监控，需要在关键农业下游任务中进行深入评估。此外，目前缺乏对 AEF 基于模型与传统遥感（RS）模型在不同情景下的全面比较，这为研究者和实践者提供了宝贵的指导。本研究通过在美国对 AEF 嵌入进行三项农业下游任务的评估来填补部分空白，包括作物产量预测、耕作方式映射和覆盖作物映射。数据集综合自公开与私有来源，以全面评估 AEF 嵌入在不同规模和地点的任务中的表现，并训练 RS 基础模型作为对比模型。实验结果表明，AEF 基于模型在所有任务上均表现出色，在产量预测和县级耕作方式映射中与专为 RS 设计的模型竞争力强，而且在本地数据上训练时表现尤佳。然而，我们也发现当前 AEF 嵌入的若干局限性，如在空间可迁移性方面不如 RS 基础模型、可解释性低以及时间敏感性有限。这些局限性在实际应用中提醒我们谨慎使用 AEF 嵌入，尤其是在要求时间敏感性、可推广性和可解释性的农业场景中。
关键词
引用
@article{arxiv.2601.00857,
title = {Harvesting AlphaEarth: Benchmarking the Geospatial Foundation Model for Agricultural Downstream Tasks},
author = {Yuchi Ma and Yawen Shen and Anu Swatantran and David B. Lobell},
journal= {arXiv preprint arXiv:2601.00857},
year = {2026}
}