TESSERA：用于地球表征与分析的地表光谱时间嵌入
机器学习
2026-04-14 v7
摘要
电磁波谱光学和微波范围内的卫星地球观测（EO）时间序列通常因轨道模式和云层遮挡而不规则。合成处理解决了这些问题，但丢失了与植被物候相关的信息，而这对许多下游任务至关重要。相反，我们提出了TESSERA，一个用于多模态（Sentinel-1/2）EO时间序列的逐像素基础模型，该模型学习鲁棒、标签高效的嵌入。在模型训练期间，TESSERA使用Barlow Twins和稀疏随机时间采样来强制对有效观测的选择具有不变性。我们采用了两个关键正则化器：全局混洗以解相关空间邻域，以及基于混合的调节以改善极端稀疏条件下的不变性。我们发现，对于多样化的分类、分割和回归任务，TESSERA嵌入以高标签效率提供了最先进的精度，通常只需要一个小型任务头和最少的计算量。为了促进访问的民主化、遵循FAIR原则并简化使用，我们发布了全局、年度、10米、逐像素的int8嵌入，以及开放的权重/代码和轻量级适配头，从而为行星尺度的大规模检索和推理提供了实用工具。所有代码和数据可在以下网址获取：https://github.com/ucam-eo/tessera。
引用
@article{arxiv.2506.20380,
title = {TESSERA: Temporal Embeddings of Surface Spectra for Earth Representation and Analysis},
author = {Zhengpeng Feng and Clement Atzberger and Sadiq Jaffer and Jovana Knezevic and Silja Sormunen and Robin Young and Madeline C. Lisaius and Markus Immitzer and Toby Jackson and James Ball and David A. Coomes and Anil Madhavapeddy and Andrew Blake and Srinivasan Keshav},
journal= {arXiv preprint arXiv:2506.20380},
year = {2026}
}