Prithvi-EO-2.0跨洲际作物分类性能评估：揭示地理与物候变化下的模型可靠性挑战

摘要：本研究对广泛应用的地理空间基础模型Prithvi-EO-2.0进行了跨洲际的作物分类性能评估，覆盖了三大洲12个国家的37个事件。研究发现，该模型在美国的表现平均准确率为0.65，而在欧洲则下降至0.40，显示出显著的地理转移性问题。此外，研究还评估了模型在观测窗口与物候周期匹配度、类别方案粗化、频带丢失以及云和阴影污染等方面的鲁棒性。结果表明，观测窗口与当地作物生长周期的错位会导致精度急剧下降，而确定性置信度却保持高位。调整类别方案和压缩观测窗口等方法可以在不重新训练的情况下恢复部分精度，为该模型的可靠部署提供了重要指导。

---

研究背景与动机

地理空间基础模型（GeoFM）在利用大规模卫星数据源进行作物分类方面展现了强大的能力，但其跨地域的转移性和实际运行中的可靠性仍需深入评估。本研究旨在通过系统化的实验，揭示Prithvi-EO-2.0在跨洲际应用中的表现，并提出改进建议以提升其实际部署的可靠性。

主要发现与结果

1. 地理转移性问题：在美国，Prithvi-EO-2.0的平均准确率为0.65，而在欧洲则下降至0.40，显示出显著的地理转移性问题。
2. 物候周期的影响：当观测窗口与当地作物生长周期错位时，模型精度急剧下降，而确定性置信度却保持高位。
3. 鲁棒性评估：
   • 类别方案粗化：将13个类别合并为10个，模型平均准确率提高了8.4个百分点。
   • 观测窗口压缩：将观测窗口压缩至45-90天，并在75天附近达到峰值，而小于30天的窗口则导致精度下降约0.11。
   • 其他因素：频带丢失和云和阴影污染对模型性能也有一定影响，但影响程度低于物候周期错位。

改进建议

1. 调整观测窗口：根据当地作物生长周期调整观测窗口，以减少物候错位对模型性能的影响。
2. 优化类别方案：根据模型的主要混淆模式调整类别方案，以提高分类精度。
3. 增强鲁棒性：在模型训练中加入更多样化的数据源和更复杂的场景，以提高模型对不同地理和气候条件的适应能力。

行业影响与未来展望

本研究为地理空间基础模型的实际部署提供了重要的参考依据，强调了模型在不同地理和物候条件下的适应性问题。未来研究可以进一步探索如何通过多模态数据融合和自适应学习机制，提升模型在复杂环境下的表现。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-10-08)

—— 完 ——

主题标签： #地理空间模型 关注 #作物分类 关注 #模型评估 关注 #跨地域转移性 关注 #Prithvi 关注