淌若思知说念一派丛林在往常几年里消除了几许，或者一块农田培植的作物发生了什么变化，卫星影像往往是最进犯的数据来源之一。

如今，卫星每天王人会拍摄大王人影像，握续纪录丛林、农田和城市的变化。但不同卫星使用的传感器各不换取，影像还会受到云层、天气和季节变化的影响。要从海量影像中识别地表特征，时常需要复杂的数据处置和大王人计较资源。

当地时分 10 月 22 日，好意思国艾伦东说念主工智能商议所（Allen Institute for AI，简称 Ai2）发布了新一代地球不雅测基础模子 OlmoEarth v1.3，同期向环球开放经过事先计较的卫星影像特征数据。

这套模子大略空洞分析一整年的卫星不雅测信息，将地球名义每个 10 米分辨率网格对应的数据压缩成一个包含 128 个数值的向量。这些向量格外于不同场合的“数字指纹”，不错匡助商议东说念主员比拟地表特征、寻找相似区域，或者不雅察团结场合在不同庚份发生的变化。

字据 Ai2 公布的测试驱散，在与谷歌 AlphaEarth Foundations、Tessera v2 等地球不雅测模子的 27 项评测中，OlmoEarth v1.3 的 128 维版块在其中 20 项取得最高收货。

这次发布还包括障翳环球的瞻望算特征数据，以及不错平直在浏览器中使用的分析器具。商议东说念主员无需自行启动大型模子，就能欺诈这些数据开展地表分类和变化监测。

把海量卫星影像，压缩成 128 个数字

卫星遥感世俗应用于农业、生态保护和灾害监测，但单张卫星影像往往难以齐备反馈地表特征。举例，淌若商议东说念主员思知说念某个地区培植了哪些作物，时常需要不雅察其在不同季节的滋长变化。不同作物在某个滋长阶段可能十分相似，但跟着时分的推移，它们的滋长速率、叶片景况和光谱特征会呈现不同律例。

OlmoEarth v1.3 的法子是让 AI 空洞学习这些信息，并将其调度成便于分析的数字特征。模子使用了三类卫星数据，包括欧洲空间局的哨兵 1 号（Sentinel-1）雷达卫星、哨兵 2 号（Sentinel-2）多光谱卫星，以及好意思国陆地卫星（Landsat）的不雅测数据。

其中，多光谱卫星大略纪录东说念主眼难以平直看到的光谱信息，匡助商议东说念主员分析植被景况；雷达卫星则不错在夜间或有云层障翳的情况下获得地表信息。通过整合不同卫星在一年内收罗的数据，模子大略索求愈加全面的地表特征。

在本事齐全上，OlmoEarth v1.3 着手欺诈视觉 Transformer 处置不同时代、不同传感器的数据，再通过重观点池化模块（Attention Pooler）整合信息，临了将其压缩为 128 维特征向量。

图 | OlmoEarth v1.3 的西席历程（来源：Ai2）

所谓 128 维，不错肤浅结合为，模子用 128 个数字状貌一个场合在一年中的空洞不雅测特征。这些数字并不屈直对应丛林面积、植被高度等具体主见，而是 AI 从大王人数据中学习得到的一组特征。雷同于东说念主脸识别系统不错通过一串数字状貌面部特征，OlmoEarth 也大略通过数字向量抒发不同场合的地表特征。

淌若两个地区的特征向量比拟接近，证明它们在模子所学习到的特征上具有一定相似性。因此，商议东说念主员不错先找到一派方向农田，再欺诈这些向量，在更大范围内寻找相似区域。相同，淌若某个场合在不同庚份对应的向量发生彰着变化，就可能意味着当地的植被、建筑或其他地表景况发生了转变。

为了裁汰数据存储和使用资本，商议团队还设想了一个 64 维版块，不错平直使用 128 维向量的前 64 个数值。

商议团队将 OlmoEarth v1.3 与 AlphaEarth Foundations、Tessera v2 进行了比拟，评测触及六大洲的不同地表识别任务。其中，128 维版块在 27 项评测中的 20 项取得最高收货，64 维版块则在 18 项评测中最初。

除了识别性能，OlmoEarth v1.3 的西席后果也有所拔擢。Ai2 示意，其西席所需的 GPU 计较时分约为上一代 v1.2 的 53%，仅为最初 v1 版块的 18%。

环球数据提前算好，绽开浏览器就能分析

OlmoEarth 是 Ai2 诞生的地球不雅测 AI 基础模子系列，主要通过学习卫星影像中的信息，识别地盘类型、植被散布及地表变化等。此前的版块主要需要用户针对具体任务西席和启动模子，而这次发布的 v1.3 则提前完成了环球范围内的特征索求，并将计较驱散公开。

往常，淌若商议东说念主员思欺诈 OlmoEarth 分析某个地区，往往需要获得原始卫星影像，再启动模子索求特征，并字据具体任务进行西席。这次 Ai2 平直提供了经过事先计较的特征数据，商议东说念主员不错跳过叠加处置原始卫星影像的门径，在现成的数据上西席肤浅的分类器，用于识别农田、绘画地盘障翳舆图或分析地表变化。

按照 Ai2 的先容，这些数据障翳环球陆地及附进沿海水域，空间分辨率为 10 米，每年的数据畛域约为 150 TB。驱散逸布时，2023 年至 2025 年的数据照旧齐全环球障翳，2017 年至 2022 年的数据则障翳部分国度，商议团队规画不息补充。

为了让这些数据更容易使用，Ai2 还同步推出了 OlmoEarth 特征探索器具。用户无需注册账户，就不错平直在浏览器中浏览环球舆图，切换不同庚份，并对比某个地区的地表变化。

举例，用户不错在舆图上选中一处场合，让系统寻找其他具有相似特征的区域；也不错手动标志小数样本，西席一个肤浅的分类器，将识别驱散扩展到更大范围。完要素析后，用户还不错将驱散导出为 GeoTIFF 等地舆空间数据形状，供其他地舆信息软件使用。

商议团队示意，往常需要数小时模子西席才略完成的初步探索，咫尺不错通过这一器具在几秒钟内得到驱散。关于需要更高精度的任务，用户也不错进一步使用 OlmoEarth Studio 微调模子。

从坐法采矿到农田识别，AI 监测地表变化

在这次发布中，商议团队展示了多个内容应用案例，其中之一是监测秘鲁亚马孙地区的坐法黄金开辟举止。

秘鲁东南部的马德雷德迪奥斯地区长久靠近坐法采矿问题，谈判举止形成了大面积丛林破损。字据亚马孙保护组织的监测纪录，2017 年至 2018 年间，当地坦博帕塔国度保护区缓冲区内的坐法采矿举止形成了跳跃 1200 公顷丛林耗费。

2019 年，秘鲁政府启动“水星步履”（Operation Mercurio），对当地坐法采矿举止张开打击。为了不雅察而后当地的地表变化，商议团队欺诈 OlmoEarth v1.3，分裂比拟了 2017 年与 2020 年、2020 年与 2025 年的特征向量。

驱散显现，2017 年至 2020 年间，彰着的变化信号集结在采矿举止向东南边向膨胀的区域。而在 2020 年至 2025 年的对比中，变化较彰着的区域飞舞到了更早受到采矿影响的地带。这些变化与当地采矿举止受到打击、部分区域出现植被还原，以偏执他区域仍存在采矿举止的情况相呼应。

图 | 2017 年至 2020 年和 2020 年至 2025 年之间每个像素镶嵌的变化量，品红色代表变化最大（来源：Ai2）

商议团队指出，通过比拟不同庚份的特征向量，无需特等西席变化检测模子，就大略发现地表变化较为彰着的区域。不外，向量变化本人并不成平直证明变化原因，还需要结合原始卫星影像和其他贵寓进行判断。

除了坐法采矿，Ai2 还展示了欺诈模子识别肯尼亚小农户培植的作物、检测孟加拉国达卡以西的砖窑，以及评估印度尼西亚失火耗费等应用。

为了进一步本质模子在农业监测中的阐扬，商议团队还推出了面向热带农业的 PLANTEUR 评测集，障翳六个热带地区，要点查考模子在不同农业环境中的作物识别智商，以及能否符合西席历程中未见过的地区。

咫尺，Ai2 照旧开放 OlmoEarth v1.3 的模子权重、预西席数据、西席代码和环球瞻望算特征数据，并发布了齐备本事说明。商议东说念主员不错下载谈判资源，也不错平直通过在线器具探索不同地区的地表特征和年度变化。

参考衔接：

1.https://allenai.org/papers/olmoearth-v1-3

2.https://allenai.org/blog/olmoearth-v1-3

运营/排版：何晨龙

注：封面/首图由 AI 援救生成体育游戏app平台