结论：这一轮最值得补进雷达的是 2026-06-06 提交到 arXiv 的 OSMGraphCLIP: Learning Global Location Representations from OpenStreetMap Graphs。它不是一个新的遥感影像 backbone，也不是 VLM 看图问答，而是把 OpenStreetMap 里的道路、建筑、土地利用、POI 等对象组织成异构图，再用 CLIP 式对比学习训练全球 location encoder。最值得关注的地方是：它在 24 个下游地理预测任务上和 GeoCLIP、SatCLIP、AlphaEarth、Copernicus-FM 等基线比较，证明“结构化地图拓扑”本身可以成为地理基础模型的监督模态，尤其适合社会经济、公共健康、城市功能这类卫星像素只能间接表达的任务。

我按 2026-06-15 21:00 +08 检索公开来源，并过滤 SAR、PolSAR、InSAR、radar-only、microwave-only 与 SAR-optical fusion 主线工作。本篇选择 OSMGraphCLIP，是因为它和前几轮 VLM、变化检测、GeoFM layer probing 不重复：它不从影像端继续堆模型，而是把 GIS 矢量语义和拓扑关系推到 location representation 的预训练层。

需要先说明边界：OSMGraphCLIP 不是遥感影像解译模型，训练监督也不使用卫星影像。它进入遥感 AI 雷达的理由是 CV-to-RS / GIS-to-RS 的迁移价值很明确：遥感基础模型擅长看地表外观，但很多下游任务真正需要的是“这个地方如何被使用、道路如何连接、设施如何分布、建筑和 POI 如何组织”。这些信息在 OSM 图里是显式的，在卫星像素里通常只是弱代理。

背景

过去一批地理 location encoder 多数依赖坐标和影像对齐。GeoCLIP 用地面图像和 GPS 学位置表征，SatCLIP 用 Sentinel-2 影像和坐标做对比学习，AlphaEarth、Copernicus-FM 这类模型进一步把多源地球观测信号压缩成地理 embedding。这个方向很自然：卫星影像全球覆盖，能看到植被、水体、城市纹理、农田格局和季节变化。