HighFM：面向高频地球观测数据的基础模型
计算机视觉与模式识别
2026-05-12 v3 人工智能
摘要
气候相关灾害的频度和严重程度不断增加，加剧了对实时监测、早期预警和知情决策的需求。地球观测 (EO) 借助卫星数据和机器学习 (ML) 提供了强大的工具以满足这些挑战。基础模型 (FMs) 通过在大规模遥感数据集上进行通用预训练，已在 EO ML 领域实现变革。然而，大多数现有模型依赖低重复率的高分辨率卫星影像，限制了其适用于快速演化的现象和紧急响应情境。本文提出 HighFM，一种面向高时间分辨率、多光谱 EO 数据的基础模型方法。我们利用来自 Meteosat Second Generation (MSG) 平台的超过 2 TB 的 SEVIRI 影像，适配 SatMAE 掩码自编码框架以学习稳健的时空表征。为支持实时监测，我们增强了原始架构，引入细粒度时序编码以捕捉短期变动性。随后在预训练模型上进行云遮蔽和主动火点检测任务的微调。我们对 SEVIRI 预训练的 Vision Transformer 与传统基线和最新遥感 FMs 进行基准测试，在平衡准确率和 IoU 指标上均实现一致提升。我们的结果凸显了时序稠密地球静止气象卫星数据在实时 EO 中的潜力，为灾害检测与跟踪提供可扩展的基础模型路径。
引用
@article{arxiv.2604.04306,
title = {HighFM: Towards a Foundation Model for Learning Representations from High-Frequency Earth Observation Data},
author = {Stella Girtsou and Konstantinos Alexis and Giorgos Giannopoulos and Charalambos Kontoes},
journal= {arXiv preprint arXiv:2604.04306},
year = {2026}
}