Above-ground Biomass Estimation with Geospatial Foundation Models

📄 arXiv: 2608.04792v1 📥 PDF

作者: Ghjulia Sialellia, Linus Scheibenreif, Jan Dirk Wegner, Konrad Schindler

分类: cs.LG

发布日期: 2026-08-05

💡 一句话要点

利用地理基础模型提高地上生物量估计的准确性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 地上生物量 卫星影像 地理基础模型 机器学习 生态系统监测 碳储量估计 定量回归 环境保护

📋 核心要点

  1. 现有方法在全球范围内进行地上生物量估计时面临准确性不足的挑战，尤其是在不同生态系统和地理环境下。
  2. 论文提出利用地理基础模型（GFM）进行地上生物量的估计，探索其在定量回归任务中的有效性，尤其是通过预计算嵌入产品。
  3. 实验结果显示，基于AEF嵌入的多层感知器（MLP）超越了传统的监督学习模型，且在空间和时间上的泛化能力更强。

📝 摘要（中文）

从卫星影像中准确估计地上生物量（AGB）对于大规模碳储量监测至关重要，但在全球范围内仍然是一项具有挑战性的回归任务。地理基础模型（GFM）作为一种新兴的机器学习范式，能够从地球观测数据中提取通用表示，但其在生物量估计等定量回归任务中的应用尚未得到充分探索。本文通过AGBD数据集对GFMs进行全面基准测试，比较了11种GFMs及两种预计算嵌入产品的表现，结果表明，预计算嵌入产品在生物量估计中表现优异，超越了传统的监督学习模型。

🔬 方法详解

问题定义：本文旨在解决从卫星影像中准确估计地上生物量（AGB）的问题，现有方法在全球范围内的准确性和适用性不足，尤其是在不同生态系统和地理环境下的表现不佳。

核心思路：论文的核心思路是利用地理基础模型（GFM）来提取地球观测数据的通用表示，并通过两种方式（冻结编码器和预计算嵌入产品）进行生物量估计，探索其在定量回归任务中的有效性。

技术框架：整体架构包括两个主要模块：一是将GFM作为冻结编码器进行评估，二是使用预计算的嵌入产品（如AEF和TESSERA）进行生物量估计。通过PANGAEA基准框架进行模型评估和比较。

关键创新：最重要的技术创新点在于首次将GFM应用于全球范围的AGB估计，并通过预计算嵌入产品显著提升了估计的准确性，超越了传统的监督学习模型。

关键设计：在实验中，使用了多层感知器（MLP）作为模型架构，并在AEF嵌入上进行训练，采用了特定的损失函数和参数设置，以优化模型在不同地理和时间条件下的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于AEF嵌入的多层感知器（MLP）在生物量估计中表现优异，超越了传统的监督学习模型，且在空间和时间上的泛化能力显著提高。具体而言，使用AEF嵌入的SOTA模型在独立参考数据上取得了最佳结果，显示出更强的适应性。

🎯 应用场景

该研究的潜在应用领域包括全球碳储量监测、生态系统管理和气候变化研究。通过提高地上生物量的估计准确性，能够为政策制定者和科学家提供更可靠的数据支持，推动可持续发展和环境保护的相关工作。

📄 摘要（原文）

Accurate estimation of Above-Ground Biomass (AGB) from satellite imagery is essential for the large-scale monitoring of carbon stocks, yet it remains a challenging regression task at global scale. Geospatial Foundation Models (GFMs) have recently emerged as a promising machine learning paradigm to derive general-purpose representations from Earth observation data, but their utility for quantitative regression tasks like biomass estimation remains largely unexplored, as most benchmarks emphasize classification and segmentation. Here, we present a comprehensive benchmark of GFMs for global-scale AGB estimation using the AGBD dataset, a machine learning-ready benchmark spanning diverse biomes and geographies. We distinguish two ways in which GFMs reach practitioners: (i) models distributed as weights to be run by the user, which we evaluate as frozen encoders within the PANGAEA benchmarking framework; and (ii) models distributed as ready-to-use, pre-computed embedding products, for which we evaluate AlphaEarth Foundations (AEF) and TESSERA. We compare 11 GFMs available on PANGAEA and both embedding products against a fully supervised state-of-the-art (SOTA) model, assess their geographical and temporal generalization abilities, as well as agreement with the ESA CCI biomass product on independent reference data. Our results show that GFMs run as frozen encoders substantially underperform with respect to the supervised SOTA model, whereas pre-computed embedding products prove highly effective. An MLP trained on AEF embeddings outperforms the supervised SOTA model trained on AGBD features, and the same SOTA model trained on AEF embeddings (optionally augmented with selected raw features) achieves the best overall result, while also generalizing better across space and time.