GeoChrono：遥感中长期时间理解的基准测试和重新思考

遥感为观察地球的长期表面演化提供了无与伦比的有利位置，但它要求模型不仅要感知孤立时刻的土地覆盖，还要跟踪变化、记住演化历史，并进行跨时间和空间的推理。然而，现有的研究缺乏剖析这些不同能力的系统评估。为了填补这一空白，我们引入了 ChronoBench，这是一个多维基准，它将这项任务分解为四个渐进的认知水平（即土地覆盖感知、时间识别、长期记忆和时空推理）。 ChronoBench 包含 12 个子任务和 17,689 个经过严格验证的 QA（问题-答案）对。广泛的评估表明，主流 MLLM 远远落后于人类专家，其中长期记忆成为最关键的瓶颈。受这一发现的启发，我们进一步提出了 GeoChrono，这是一种具有增强的跟踪、记忆和推理长期地理演化能力的 MLLM。利用地理地块在语义演变时保持空间固定的物理先验，我们设计了一个时间轨迹编码器~（TempEnc），为专用土地覆盖演化建模构建每个位置的时间轨迹，并且我们引入了一个从粗到细的词元压缩器~（C2FComp），它在压缩静态背景的同时自适应地保留动态区域。为了支持训练，我们还构建了 ChronoInstruct，这是一个涵盖所有训练能力级别的 104K 样本指令调整数据集。 GeoChrono 在 ChronoBench 上实现了最先进的性能，超过领先的商业 MLLM 20% 以上，而 C2FComp 减少了超过 56% 的视觉标记，同时保留了 GeoChrono 94.6% 的性能。代码和数据可在 https://github.com/IntelliSensing/GeoChrono 获取