Prithvi作物分类基础模型在物候与地理变化下的可靠性

在大型卫星档案上进行预训练的微调地理空间基础模型（GeoFM）已被证明可以提高作物分类的准确性和地理可转移性。然而，他们在培训分布之外的运营绩效仍然没有得到很好的描述。我们评估了广泛采用的 GeoFM [Prithvi-EO-2.0] 在三大洲 12 个国家的 37 场活动中的分布外性能，并根据区域参考产品进行了验证。结果表明，平均总体准确度 (OA) 从美国的 0.65 下降到欧洲的 0.40。除了准确性指标之外，我们还评估了模型性能的五个关键方面：模型置信度是否表明信号故障、对观测窗口的敏感性、粗化类别方案的影响以及对带损和云和阴影污染的鲁棒性。当观察窗口与当地作物物候不一致时，准确性就会下降，而确定性置信度仍然很高。八个配对事件中的七个的预期校准误差增加，并且每个受影响场景的 12-51% 被确信以接近零的精度错误标记。蒙特卡罗辍学熵记录了所有八个国家的变化，表明跨大陆明显的下降在很大程度上反映了物候失调而不是空间转移。两次调整无需重新训练即可恢复准确性。根据模型的主要混淆，将 13 个类别合并为 10 个类别，将平均 OA 提高了 8.4 个百分点。将窗口压缩到近实时使用可以在 45 到 90 天的平台期中保持准确度，在 75 天左右达到峰值，尽管超过 30 天的限制比该平台期下降了约 0.11。因此，微调作物 GeoFM 仅在观测窗口与当地生长季节相匹配的情况下才能有效传输。我们将这些发现转化为可靠部署已发布模型的操作指南。