SSL4Eco：用于生态学地理基础模型的全球季节性数据集

随着生物多样性和气候危机的加剧，全球生物多样性图绘等宏观生态研究变得越来越紧急。遥感为生态研究提供了丰富的地球观测数据，但标注数据集的稀缺仍是主要挑战。最近，自监督学习使能够从无标签数据中学习表征，推动了带有通用特征的预训练地理模型的开发。然而，这些模型通常是在偏向人类活动密集区域的数据集上训练的，导致整个生态区域被低估。此外，虽然一些数据集试图通过多日期图像来处理季节性问题，但通常遵循日历季节而非当地现象学周期。为更好地在全球尺度上捕捉植被季节性，我们提出一种简单且以现象学为导向的抽样策略，并引入相应的SSL4Eco——一个多日期的Sentinel-2数据集，作为训练基于季节对比目标的现有模型。我们将SSL4Eco学习的表征与其他数据集在多样化的生态下游任务上进行比较，证明我们简单直观的抽样方法在持续改进表征质量方面具有一致作用，凸显了数据集构建的重要性。在7个8个下游任务（涵盖（多标签）分类和回归）上，预训练SSL4Eco模型实现了最先进的性能。我们发布代码、数据和模型权重以支持宏观生态和计算机视觉研究，地址为 https://github.com/PlekhanovaElena/ssl4eco。