Evaluating AlphaEarth Embeddings for Crop Classification: Separability, Temporal Dynamics, and Cross-Regional Transferability
作者: Priyanka Goyal, Maitreyee Sar, Adway Mitra, Manjira Sinha
分类: cs.CV, cs.LG
发布日期: 2026-10-27
💡 一句话要点
提出AlphaEarth嵌入以提升作物分类的准确性与可迁移性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 农业监测 作物分类 地球观测 表示学习 跨区域迁移 高维嵌入 特征选择
📋 核心要点
- 现有的农业监测方法多依赖于像素级光谱分析，缺乏对表示学习的系统评估，限制了其在实际应用中的有效性。
- 本研究提出了一种新的评估框架，结合几何可分离性、时间动态和跨区域泛化，旨在提升作物分类的准确性和可迁移性。
- 实验结果显示，AlphaEarth嵌入在作物轮作动态捕捉上优于传统特征，且在空间自相关性上表现更佳，支持混合建模的有效性。
📝 摘要（中文）
基于地球观测的农业监测正从像素级光谱分析转向以表示为驱动的建模，但在空间、时间和领域泛化维度上的系统评估仍然有限。本研究提出了一种表示无关的评估框架，整合几何可分离性、时间动态、空间鲁棒性和跨区域泛化。通过对比64维AlphaEarth嵌入与Sentinel-2反射率、NDVI衍生的物候特征及谐波特征，发现嵌入在多年的作物轮作动态捕捉上表现优越，且在跨大陆迁移性上存在权衡。这些发现为大规模作物分类中的特征选择提供了结构化框架。
🔬 方法详解
问题定义：本研究旨在解决现有农业监测方法在空间、时间和领域泛化方面的评估不足，尤其是如何有效利用高维嵌入进行作物分类。
核心思路：提出一种表示无关的评估框架，整合多种评估维度，以全面评估AlphaEarth嵌入的有效性，特别是在作物分类中的应用。
技术框架：研究采用64维的AlphaEarth嵌入空间，通过与Sentinel-2反射率、NDVI特征和谐波特征进行对比，评估其在不同区域和时间段的表现。主要模块包括特征提取、几何可分离性评估、时间动态分析和跨区域迁移性测试。
关键创新：本研究的创新点在于提出了一个综合评估框架，强调了表示学习在作物分类中的重要性，并揭示了表示丰富性与跨区域迁移性之间的权衡。
关键设计：在实验中，采用了Fisher比率、Bhattacharyya距离和Mahalanobis距离等多种度量标准，评估特征的线性可分离性和分布感知分离性，同时关注残差空间自相关性，确保评估的全面性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，AlphaEarth嵌入在作物分类中的表现优于传统特征，尤其在多年的作物轮作动态捕捉上，分离比率达到1.784，而传统特征的最大值仅为1.003。此外，嵌入在空间自相关性上表现更佳，平均Moran's I约为0.17。
🎯 应用场景
该研究的潜在应用领域包括精准农业、作物监测和环境变化分析。通过提升作物分类的准确性和可迁移性，能够为农业决策提供更可靠的数据支持，促进可持续农业发展。
📄 摘要（原文）
Earth Observation (EO)-based agricultural monitoring is shifting from pixel-level spectral analysis toward representation-driven modeling, yet systematic evaluation of learned representations across spatial, temporal, and domain-generalization dimensions remains limited. Geospatial foundation models generate high-dimensional embeddings encoding spatio-temporal land-surface properties, but their utility for agricultural applications remains insufficiently understood. This study presents a representation-agnostic evaluation framework integrating geometric separability, temporal dynamics, spatial robustness, and cross-regional generalisation. A 64-dimensional AlphaEarth embedding space is benchmarked against Sentinel-2 reflectance, NDVI-derived phenology, and harmonic features using field-scale data from the Conterminous United States (CONUS; 2017-2023) and Northern India (2021). Traditional features achieve strong linear separability (Fisher ratio), while embeddings provide superior distribution-aware separation -- Bhattacharyya and Mahalanobis distances up to an order of magnitude higher for spectrally similar pairs (e.g. Corn/Soybeans: 3.9 vs. 0.10). Embeddings uniquely capture multi-year crop rotation dynamics, reaching a separability ratio of 1.784 versus a maximum of 1.003 across all engineered features, and exhibit lower residual spatial autocorrelation of errors (mean Moran's $I \approx 0.17$). However, harmonic and NDVI features show stronger cross-continental transferability (US $\to$ India Macro F1: 0.493 vs. 0.326 for embeddings), reflecting better distributional alignment. The combined feature space yields balanced performance, supporting hybrid modeling. These findings reveal a fundamental trade-off between representational richness and cross-region transferability, providing a structured framework for feature selection in large-scale crop classification.