StefaLand：高效地球科学基础模型提升动态陆地表面预测
机器学习
2026-02-03 v3 人工智能
摘要
管理自然资源和减轻洪水、干旱、野火和滑坡等风险，需要能够准确预测气候驱动的陆地表面响应的模型。传统模型在空间推广性方面常常困难，因为它们在有限的观测数据上训练或校准，容易在概念漂移下性能下降。最近提出的视觉基础模型在卫星影像上训练需要巨大的计算资源，而且并非为动态陆地表面预测任务所设计。我们引入 StefaLand，这是一个以学习跨域相互作用为中心的生成式时空地球表征学习模型，以抑制过拟合。StefaLand 在五个数据集上的四个重要任务（河流流量、土壤湿度、土壤成分和滑坡）上展现出强劲的空间推广性能，优于以往的最新方法。该模型的领域驱动设计选择包括：位置感知的掩码自编码器，用于融合静态和时序输入；基于属性的表征而非基于图像的表征，可大幅降低计算需求；残差微调适配器强化跨任务知识迁移。StefaLand 可在常规的学术计算资源上进行预训练和微调，却始终优于最新的监督学习基线、微调的视觉基础模型和商业可用嵌入，凸显了跨域相互作用的被低估价值，为世界上数据较贫困的地区提供帮助。
引用
@article{arxiv.2509.17942,
title = {StefaLand: An Efficient Geoscience Foundation Model That Improves Dynamic Land-Surface Predictions},
author = {Nicholas Kraabel and Jiangtao Liu and Yuchen Bian and Daniel Kifer and Chaopeng Shen},
journal= {arXiv preprint arXiv:2509.17942},
year = {2026}
}