利用地理空间基础模型估算地上生物量

利用卫星图像准确估计地上生物量（AGB）对于大规模碳储量监测至关重要，但在全球范围内这仍然是一项具有挑战性的回归任务。地理空间基础模型（GFM）最近已成为一种有前景的机器学习范例，可从地球观测数据中获取通用表示，但它们在生物量估计等定量回归任务中的效用在很大程度上仍未得到探索，因为大多数基准都强调分类和分割。在这里，我们使用 AGBD 数据集提出了用于全球规模 AGB 估计的 GFM 综合基准，这是一个跨越不同生物群落和地理区域的机器学习就绪基准。我们区分了 GFM 接触实践者的两种方式：(i) 作为权重分布的模型，由用户运行，我们将其评估为 PANGEA 基准框架内的冻结编码器； (ii) 作为即用型、预先计算的嵌入产品分发的模型，我们为此评估 AlphaEarth Foundations (AEF) 和 TESSERA。我们将 PANGEA 上可用的 11 个 GFM 以及两种嵌入产品与完全监督的最先进 (SOTA) 模型进行比较，评估它们的地理和时间泛化能力，以及与 ESA CCI 生物质产品在独立参考数据上的一致性。我们的结果表明，GFM 作为冻结编码器运行时，其性能远远低于监督 SOTA 模型，而预先计算的嵌入产品则证明非常有效。在 AEF 嵌入上训练的 MLP 优于在 AGBD 特征上训练的有监督 SOTA 模型，并且在 AEF 嵌入上训练的相同 SOTA 模型（可选地使用选定的原始特征进行增强）实现了最佳的整体结果，同时在空间和时间上也具有更好的泛化能力。