OlmoEarth v1.3：全球卫星影像嵌入模型
来自 Hugging Face · 期号 2026-10-23
摘要
卫星影像的用法一直很重：下载数据、跑模型、出一张图，每换一个任务就得重来一遍。 Allen AI 发布的 OlmoEarth v1.3 把这件事拆成了两步。模型先读一整年的雷达和多光谱卫星数据，为地球上每个 10 米像素生成一个 128 维向量（前 64 维也可以单独用）。这些向量已经算好了，放在 Source Cooperative 上免费下载。想做作物分类、土地覆盖或变化检测的人，只需要在上面训练一个小分类器，本地就能跑。 新模型在 27 项评测里赢了 20 项，对手是 AlphaEarth Foundations 和 Tessera v2。训练成本是上一代的 53%，碳排放也降到 22%。 同时上线的还有 OlmoEarth Embeddings Explorer，一个浏览器工具，不用登录就能看全球的 embedding 地图、对比不同年份的变化、点一个地方找相似区域，甚至现场标几个点训练分类器然后导出 GeoTIFF。 模型权重、预训练数据和代码全部开源。
深读
导读 卫星影像分析的传统流程很重：下载数据、跑模型、出一张图，每换一个任务就得重来一遍。Allen AI 发布的 OlmoEarth v1.3 把这件事拆成了两步，先为地球上每个 10 米像素生成一个 128 维向量，用户只需在上面训练一个小分类器就能完成作物分类、土地覆盖或变化检测。读完本文能了解这套 embedding 模型在 27 项评测中赢了 20 项的具体成绩、训练成本降至上一代 53% 的细节，以及一个无需登录即可在浏览器里探索全球 embedding 地图的工具。 关键信息 - OlmoEarth v1.3 读取一整年的雷达（Sentinel-1）和多光谱（Sentinel-2 与 Landsat）卫星时间序列，为地球上每个 10 米像素生成一个 128 维向量；前 64 维可作为独立的轻量 embedding 使用。 - 在覆盖六大洲、多种任务的 27 项评测中，128 维 embedding 在 20 项上得分最高，64 维版本在 18 项上领先；对比对象是 AlphaEarth Foundations 和 Tessera v2。 - 训练成本是上一代 v1.2 的 53%、初代 v1 的 18%，碳排放分别降至 50% 和 22%；复现预训练约需 2,720 美元的租用 H100 时间。 - 预计算好的全球 embedding 已免费发布在 Source Cooperative 上；模型权重、预训练数据和代码全部开源。 - 同步上线的 OlmoEarth Embeddings Explorer 是一个浏览器工具，无需登录即可浏览全球 embedding 地图、对比不同年份的变化、点击一处查找相似区域，并可在浏览器内训练小分类器后导出 GeoTIFF。 逐节讲解 从“每任务一次微调”到“一次计算，到处复用” 过去使用 OlmoEarth 的主要方式是针对每个任务在 OlmoEarth Studio 里做微调：下载卫星影像、训练模型、出一张图。这需要 GPU 和存储能力。OlmoEarth v1.3 的思路是把卫星数据压缩成可复用的 embedding 特征，一个 Vision Transformer 读取卫星数据，Attention Pooler 将每个地片的信息汇聚成一个向量，最后通过线性层压缩到 128 维。这些 embedding 已经算好，任何人都可以直接下载使用。 评测成绩与开放生态 模型在 27 项评测中与 AlphaEarth Foundations 和 Tessera v2 对比，128 维版本赢下 20 项，64 维版本赢下 18 项。评测中引入了一个新的热带农业作物类型基准 PLANTEUR，embedding 在分类器从未见过的地区泛化表现最好。实际应用场景包括肯尼亚小农作物分类、达卡西部的砖窑检测、印度尼西亚火灾损失…