MAE预训练 - Tag - 堂堂一跑堂https://spacetop.win/tags/mae%E9%A2%84%E8%AE%AD%E7%BB%83/MAE预训练 - Tag - 堂堂一跑堂Hugo -- gohugo.iozh-CNkingcopper@whu.edu.cn (WangTong)kingcopper@whu.edu.cn (WangTong)Mon, 01 Jun 2026 12:00:00 +0800Prithvi-EO-2.0：NASA和IBM联手打造的600M参数地球观测基础模型https://spacetop.win/2026/06/20260601_130000_prithvi_eo_2_multitemporal/Mon, 01 Jun 2026 12:00:00 +0800WangTonghttps://spacetop.win/2026/06/20260601_130000_prithvi_eo_2_multitemporal/ Prithvi-EO-2.0：NASA和IBM联手打造的600M参数地球观测基础模型

论文解读 | arXiv 2024 | 2026-06-01

📄 论文信息

项目 内容
标题 Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications
作者 Sujit Roy, Paolo Fraccaro, Þorsteinn Elí Gíslason, Benedikt Blumenstiel, Rinki Ghosal 等
机构 IBM Research、NASA Marshall Space Flight Center、Jülich Supercomputing Centre
发表 arXiv 2024 (Technical Report)
arXiv https://arxiv.org/abs/2412.02732
GitHub https://github.com/NASA-IMPACT/Prithvi-EO-2.0
HuggingFace https://huggingface.co/ibm-nasa-geospatial/Prithvi-EO-2.0-600M-TL
关键词 遥感基础模型、多时相、MAE预训练、时空注意力、全球覆盖

🎯 解决的核心问题

地球观测数据正在爆炸式增长：

  • Landsat系列：40年历史，持续更新
  • Sentinel-2：5天重访周期，13个波段
  • 全球每天产生TB级遥感影像

但问题是：标注数据极其稀缺。训练一个准确的作物分类模型可能需要数月的专家标注工作。

模型 问题
ImageNet预训练 自然图像与遥感图像差异大
单时相模型 无法捕捉季节变化、物候信息
小规模预训练 数据量不足，泛化能力有限
无元数据 忽略地理位置、时间信息

如何构建一个大规模、多时相、融合元数据的地球观测基础模型，实现跨任务、跨分辨率的泛化？

]]>