本研究针对遥感任务的基础模型研究进行了探讨，提出了一种包括六项分类任务和六项分割任务的基准测试以及可靠的评估方法，并报告了二十种基线模型的结果，旨在推动地球监测领域的模型进展。

Jun, 2023

地球科学基础模型通过整合大量跨学科数据模拟和理解地球系统动态，以数据为中心的人工智能范例从结构化和非结构化数据中发现见解，灵活的任务规格、多样的输入和输出以及多模态的知识表示使得全面分析成为可能，但在验证和验证、规模、可解释性、知识表示和社会偏见等方面仍存在挑战，提高模型一体化、分辨率、准确性和公平性的跨学科团队合作是关键，尽管当前存在限制，地球科学基础模型通过探索场景和量化不确定性向气候变化、自然灾害和可持续性等紧迫问题提供了关键见解，其不断向集成化的数据驱动建模演化具有改变范式的潜力。

Sep, 2023

基于深度学习的Prithvi地球观测模型通过高效前期训练和微调，成功实现地球观测领域多个任务的优化，证明了预训练模型在加速微调过程以及在性能上优于随机初始化权重的作用，并表明可显著减少可用标注数据的数量而不影响模型准确性。

Oct, 2023

地球科学进入大数据时代，人工智能不仅有可能解决地球科学问题，还在加速理解地球行为的复杂、交互和多尺度过程中起着关键作用。这项研究提出了一个可解释的地球科学人工智能(XGeoS-AI)框架，通过以计算机断层扫描(CT)影像识别为例展示了其有效性和多功能性。该框架受人类视觉机制的启发，从整个影像中生成一个阈值来完成识别。不同种类的人工智能方法，如支持向量回归(SVR)、多层感知器(MLP)、卷积神经网络(CNN)，可以被采用作为该框架的引擎，高效地完成地球科学影像识别任务。实验结果表明，该框架的有效性、多功能性和启发式具有解决地球科学影像识别问题的巨大潜力。在地球科学领域中需要更加重视可解释人工智能，这是促进人工智能在地球科学领域更加合理和广泛应用的关键。此外，这一提出的可解释框架可能是地球科学技术创新的先驱。

Nov, 2023

基于神经可塑性的多模态地球观测数据的适应性单一框架——Dynamic One-For-All（DOFA）模型提供了更准确、高效和统一的地球观测分析方法。

Mar, 2024

在预训练基于互联网规模无标签数据的基础模型(Foundation Models，FMs)中，研究增至十亿级参数规模的FMs和高性能计算(HPC)训练，以应用于地理空间图像应用中，取得了较小规模模型的显著准确率提升。

Apr, 2024

本研究针对地理空间基础模型在图像分析中的适应性不足问题，评估了NASA-IBM发布的GFM Prithvi在多个基准数据集上的预测性能。本文提出了一系列新策略，如波段适配和多尺度特征生成，以增强Prithvi的领域适应能力，提升模型的整体表现，为未来的视觉基础模型开发提供了重要见解。

Aug, 2024

该研究针对现有深度学习方法在支持多模态输入和不同地体类型解译上的局限，提出了一种新的可提示基础模型。该模型结合了在大规模自然图像上预训练的视觉基础模型与复杂的多模态提示引擎，实现了对各种地震调查地体的准确解译。研究结果显示，该模型在准确性、可扩展性和对新类型地体的概括能力上具有显著优势，为地球科学数据解读建立了新的范式。

Sep, 2024

本研究探讨了在有限标注预算下设计下游任务（如估计植被覆盖）时的挑战，特别是在选择基础模型和标注样本的过程中。通过对八个现有基础模型进行大规模消融研究，我们揭示了空间可推广性的局限性和基础模型的有效性，发现不同区域和任务的性能及不确定性表现差异显著，这对实际应用具有重要影响。

Sep, 2024

本研究解决了基础模型在不同地理位置的泛化能力不足的问题，特别是在农业领域面临的迁移学习挑战。通过比较几种流行的基础模型，本研究发现专门为Sentinel-2设计的预训练权重在面临有限样本时表现优越，显示出在数据稀缺的地区应用的潜力。这项研究为改进作物分类方法提供了有效的见解，促进了开发中国家精准农业的发展。

Sep, 2024