Tessera 嵌入的时间敏感性分析

许多地球观测应用程序需要精确且经常更新的土地利用/土地覆盖地图，但最强大的地球观测基础模型是根据全年的观测来构建嵌入的。我们对 Tessera 的时间敏感性进行了一项对照研究，Tessera 是用于土地利用/土地覆盖制图的领先基础模型之一。保持编码器冻结，我们在不同的观察窗口（从一整年到一天）上重新计算其嵌入。我们使用它们作为线性探针和 UNet 分割头的输入，在 LUCAS、DynamicEarthNet 和 PASTIS-R 数据集上对它们进行基准测试。我们证明嵌入的价值是依赖于任务的。在按物候划分类别的情况下，对于 PASTIS-R 的作物类型，它们的平均交集达到 $58.3$，比最佳从头开始模型高出约 $46\%$。当类别在时间上稳定时（例如 DynamicEarthNet 和 LUCAS 中的森林），基于嵌入和从头开始的模型仅在完全监督下匹配。在这两个数据集上，Tessera 嵌入的标签效率仍然明显更高。较短时间窗口下的降解是渐进的并且与类别相关。在 PASTIS-R 上将窗口从一年缩短到一个月会花费 $39\%$ 的分割精度，但在 DynamicEarthNet 上只需 $5\%$。单日嵌入仍然以 3.4 美元乘以机会水平对 LUCAS 中的土地覆盖进行分类。我们的研究表明，时间覆盖因此是一个可调节的成本，而不是一个固定的先决条件，开放制度，例如近实时测绘和更快的土地利用/土地覆盖刷新周期。