Ai2发布遥感模型OlmoEarth v1.3：开源全球10米卫星特征库

艾伦人工智能研究所（Ai2）近日正式发布卫星遥感基础模型 OlmoEarth v1.3。同步上线的还有覆盖全球陆地的年度预计算 Embedding 数据集（10 米分辨率，提供 64 维与 128 维版本），以及一款免安装、免登录的网页端交互分析工具——OlmoEarth Embeddings Explorer。使用者无需掌握深厚的技术背景，便能在浏览器中直接追踪地表变迁或检索相似地形。

在此之前，应用 OlmoEarth 的主流方式是在 OlmoEarth Studio 中针对具体任务进行模型微调（Fine-tuning）。这意味着用户需要自行下载海量原始遥感影像，并配备昂贵的 GPU 算力。而 Embedding 模型的优势在于将庞杂的卫星多模态数据压缩为通用的特征向量，使后续各种下游任务无需重复计算底层特征。

一次计算，全局复用

Embedding 特征代表了模型从数百万张卫星图像中提炼的知识。OlmoEarth v1.3 整合了一整年的 Sentinel-1 雷达数据以及 Sentinel-2 和 Landsat 多光谱时序影像，为地球上每个 10 米网格生成一个 128 维向量；同时，前 64 维特征也可单独作为轻量级向量提取使用。

训练此类基础模型并生成全球特征库成本极高。为降低科研与应用门槛，团队已将全套全球数据托管于 Source Cooperative 开源共享。研究人员在本地仅需训练轻量分类器，就能低成本完成农作物分类、土地覆盖识别或地表变化分析。

OlmoEarth v1.3 生成特征的流程：Vision Transformer 处理卫星时序数据，通过 Attention 池化为地块表征，最后经线性层降维至 128 维。

性能领先与训练成本大幅削减

在涵盖六大洲不同任务的 27 项基准测试中，OlmoEarth v1.3 击败了 AlphaEarth Foundations (AEF) 和 Tessera v2 等同类方案。其 128 维特征在 20 项评估中拿下第一，综合排名位居榜首；即便是尺寸减半的 64 维版本，也在 18 项评估中保持领先。团队还同步推出了热带农业作物分类基准 PLANTEUR，实验表明该模型在未见过的地理区域中表现出优异的泛化性能。

在实际场景中，基于该特征库构建的简易分类器已能精确完成多项复杂任务：从肯尼亚小农农作物识别、达卡西部砖窑检测，到印尼火灾受灾评估与秘鲁亚马逊非法金矿追踪。

值得一提的是，得益于架构与工程优化，OlmoEarth v1.3 的训练效率显著提升。其预训练计算用时仅为前代 v1.2 的 53%、最初版本 v1 的 18%，碳排放降低了近八成。按照租用 NVIDIA H100 显卡测算，最终轮预训练成本仅约为 2,720 美元。从模型权重、预训练数据到代码全部保持完全开源。

实例验证：九年地表变迁一目了然

以秘鲁马德雷德迪奥斯大区的拉潘帕（La Pampa）非法采金区为例，根据保护组织 MAAP 的监测数据，该地在 2017 至 2018 年间有超过 1,200 公顷森林遭破坏。2019 年 2 月，秘鲁军方展开“水星行动”打击非法采矿，然而后续反弹情况始终难以低成本持续追踪。

无需重新训练任何模型，直接对比像素间的特征向量即可反映真实地貌变化：

• 2017 至 2020 年：特征对比图右下角大片品红色高亮，清晰还原了采矿活动向东南扩张的过程，也记录了执法行动生效后的停滞迹象；
• 2020 至 2025 年：高亮区域发生偏移，西北部活跃采矿点与旧矿区植被自我恢复的痕迹均被敏锐捕捉。这印证了外围采矿压力正卷土重来，与近期官方通报高度吻合。

用户可在官方推出的交互式案例页面中详细查看这一过程。

零门槛的浏览器分析工具

新上线的 OlmoEarth Embeddings Explorer 将整套特征库渲染为伪彩色全球地图。用户可以在不同年份间自由切换，对比底层 Sentinel-2 真彩色影像，点击任意区域寻找全球特征相似的地形，或者仅凭少量标注样本在浏览器中即时训练轻量分类器，并将结果导出为 GeoTIFF 栅格格式。

过去需要耗费数小时 GPU 算力才能验证的遥感假设，现在几秒内即可完成初筛。目前该数据库涵盖 10 米分辨率下 2023 至 2025 年的全球陆地及沿海水域数据（每年约 150 TB），2017 至 2022 年则先行覆盖了部分重点国家。每个 20 公里网格都附带公开的数据溯源表，可随时调取原始卫星源文件。