GitHub Radar

這是 Ai2 在 Hugging Face 部落格發表的文章（署名 Kyle Wiggers）。Ai2 發布衛星嵌入模型 OlmoEarth v1.3，同時釋出全球 10 公尺解析度的年度預先計算嵌入（64 維與 128 維兩種版本），以及一個瀏覽器工具 OlmoEarth Embeddings Explorer，不必登入，也不需要進階技術能力。

為什麼是嵌入

過去使用 OlmoEarth 的主要方式是在 OlmoEarth Studio 裡微調，也就是每個任務都要訓練一個模型、再跑一遍影像，需要 GPU 和影像儲存空間。嵌入則把衛星資料壓縮成可以低成本重複使用的特徵，算一次就能用在很多任務上。v1.3 讀取一整年的 Sentinel-1 雷達與 Sentinel-2、Landsat 多光譜時間序列，替每個 10 公尺像素輸出一個 128 維向量，前 64 維也能單獨當作較小的嵌入使用。嵌入放在 Source Cooperative 上，使用者只要在上面訓練一個小分類器、在本機執行，就能做作物圖、土地覆蓋圖或變化分析。架構是 vision transformer 接 Attention Pooler，每塊土地產生一個向量，再用線性層降到 128 維。

Benchmark

在橫跨六大洲的 27 項評測中與 AlphaEarth Foundations（AEF）和 Tessera v2 比較：128 維嵌入在 20 項拿下最高分、總排名第一；只有一半大小的 64 維版本也在 18 項領先。Ai2 另外推出針對熱帶農業的作物類型 benchmark PLANTEUR，結果顯示這套嵌入在分類器沒見過的地點泛化得最好，並附有技術報告。模型權重、預訓練資料和預訓練程式碼全部開放。應用範例包括肯亞小農作物分類、達卡西邊的磚窯偵測、印尼火災損害評估，以及秘魯亞馬遜的金礦追蹤。

效率

v1.3 是訓練成本最低的 OlmoEarth 模型，運算時間只有 v1.2 的 53%、v1 的 18%，碳排則分別是 50% 和 22%。以租用 H100 計算的預訓練成本：v1 Base 約 15,060 美元，v1.2 Base 約 5,100 美元，v1.3 Base 最終一輪約 2,720 美元。如果拿來當微調模型，v1.3 的表現與 v1.2 相當，沒有明顯超越。

案例：秘魯 Madre de Dios 的 La Pampa

根據 Amazon Conservation 的 MAAP 計畫，非法金礦在 2017 到 2018 年達到高峰，在 Tambopata 國家保護區的緩衝區清除了超過 1,200 公頃土地；秘魯的 Operation Mercurio 在 2019 年 2 月關閉了大部分礦區。2017 到 2020 年的嵌入變化圖顯示採礦往東南擴散，2020 到 2025 年的變化圖則顯示那一角趨於平靜，變化轉移到西邊的舊礦區，其中一部分是植被再生，一部分是重新開挖。MAAP 指出西北方仍有零星據點持續運作；2026 年 8 月，美聯社報導秘魯在檢察官發現採礦已越界進入 Tambopata 後，再度派海軍巡邏保護區。

Embeddings Explorer

Explorer 用假色呈現全球地圖，可以平移、切換年份、查看底層的 Sentinel-2 影像；點一個地點就能找出相似的地方；放幾個標註點後，可以直接在瀏覽器裡訓練小分類器，並匯出成 GeoTIFF。不需要帳號或設定，第一輪結果只要幾秒，微調則要好幾個小時。

資料庫與授權

資料為 10 公尺解析度，每年約 150 TB，涵蓋陸地與鄰近沿海水域。上線時 2025、2024、2023 年是全球覆蓋，2017 到 2022 年只涵蓋部分國家，之後會擴充。可下載 128 維或 64 維版本，並附有來源表，列出每個 20 公里圖塊、每一年所使用的 Sentinel-1、Sentinel-2 與 Landsat 影像及公開目錄連結。這次釋出的內容包括 OlmoEarth v1.3 Base 模型、全球預算嵌入、Explorer 和技術報告；OlmoEarth Studio 可以用自選的日期、模態和解析度執行模型，rslearn repo 也有教學說明如何用自己的運算資源產生嵌入。授權沿用 v1 與 v1.2 的 OlmoEarth Artifact License。

侷限

文章沒有獨立的侷限章節，但提到 2017 到 2022 年只涵蓋部分國家，v1.3 在微調上只是與 v1.2 打平，也表示 Explorer 可以幫使用者判斷一個任務是否需要微調、模型在哪裡力有未逮。