Benchmarking Geospatial Foundation Models for Agriculture Applications
作者: Zhuocheng Shang, Sanmay Das, Ahmed Eldawy
分类: cs.CV, cs.LG
发布日期: 2026-06-29
备注: Submitted to ACM SIGSPATIAL 2026
💡 一句话要点
提出地理空间基础模型基准以解决农业应用中的迁移性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 地理空间模型 农业应用 迁移学习 遥感技术 作物分割 变化检测 区域意识评估
📋 核心要点
- 现有的地理空间基础模型在农业应用中的地理迁移性未得到充分验证，导致模型在不同区域的表现不佳。
- 本文提出了一个受控基准，通过评估三种模型在不同区域的表现，探索其在农业应用中的迁移能力。
- 实验结果显示，所有模型在区域分布转移下性能显著下降，强调了区域意识评估的重要性。
📝 摘要（中文）
地理空间基础模型在卫星图像上进行预训练，承诺在遥感任务和区域之间实现广泛的泛化能力，但其地理迁移性尚未得到系统测试，尤其是在农业应用中。本文展示了一个受控基准，评估了三种模型（Prithvi、SpectralGPT和SatMAE）在美国四个州（爱荷华州、北卡罗来纳州、加利福尼亚州和明尼苏达州）进行多时相作物分割和变化检测的表现。通过将每个训练、验证和测试集分配到不同区域，我们测量了每个模型在未见过的土地上的迁移能力。结果显示，所有模型在区域分布转移下表现显著下降，仅能预测最常见的作物，而忽略了稀有作物。此外，模型适配共享输入格式对每个模型的影响不同，增加了直接架构比较的复杂性。这些结果揭示了当前农业地理空间基础模型的关键局限性，并指出区域意识评估作为必要标准的重要性。
🔬 方法详解
问题定义：本文旨在解决地理空间基础模型在农业应用中的迁移性问题，现有方法在不同区域的表现不稳定，尤其是对稀有作物的预测能力不足。
核心思路：通过建立一个受控基准，评估不同模型在多时相作物分割和变化检测任务中的表现，探讨模型在未见区域的迁移能力。
技术框架：研究设计了一个实验框架，将训练、验证和测试集分配到不同的地理区域，确保模型在未见土地上的评估。主要模块包括数据集构建、模型训练和性能评估。
关键创新：提出了区域意识评估标准，强调不同区域对模型性能的影响，揭示了当前模型在农业应用中的局限性。
关键设计：在模型训练中采用共享输入格式，分析不同模型对该格式的适应性，探讨损失函数和网络结构对模型表现的影响。
🖼️ 关键图片
📊 实验亮点
实验结果表明，三种模型在区域分布转移下性能显著下降，尤其是在预测稀有作物时表现不佳。这一发现强调了区域意识评估的重要性，未来可能推动模型设计的改进和标准化。
🎯 应用场景
该研究的潜在应用领域包括精准农业、土地利用监测和环境变化分析。通过提高地理空间基础模型在不同区域的迁移能力，可以更好地支持农业决策和资源管理，推动可持续农业的发展。未来，该研究可能影响遥感技术在农业以外领域的应用，如城市规划和生态监测。
📄 摘要（原文）
Geospatial foundation models pretrained on satellite imagery promise broad generalization across remote sensing tasks and regions, but their geographic transferability has not been systematically tested, especially in agriculture applications. This paper presents a controlled benchmark that evaluates three models, Prithvi, SpectralGPT, and SatMAE, on multi-temporal crop segmentation and change detection across four U.S. states, Iowa, North Carolina, California, and Minnesota. By assigning each train, validation, and test split to a separate region, we measure how well each model transfers to land it has not seen. All three degrade sharply under regional distribution shift, predicting only the most common crops while missing rare ones. We further find that fitting these models to a shared input format affects each one differently, which complicates direct architectural comparison. These results expose key limitations of current geospatial foundation models for agriculture and point to region aware evaluation as a necessary standard.