先看证据
把机制串起来
遥感嵌入可以理解为把一段卫星观测压缩成一串可复用的数字特征：下游任务通常只需拿少量标注训练一个小模型，而不用每次都重新处理原始影像。光学影像能反映地物光谱特征，但常受云影响；雷达观测不依赖可见光，能补充不同的地表信息。把多时相、多传感器信息压进年度表示，目标是既保留地表差异，也降低后续任务的算力和数据门槛。
模型读取 Sentinel-1 雷达、Sentinel-2 与 Landsat 光学影像的年度时序；全球发布数据按每年 12 个、每个 30 天的时段合成影像。视觉 Transformer 编码观测，Attention Pooler（模型卡中对应 Perceiver 组件）汇聚时空信息，再由线性投影把 768 维内部表示压到 128 维，形成每个 10 米像素的年度嵌入。训练采用遮蔽影像建模，让模型利用未遮蔽内容重建被遮部分，并预测地图目标，从而学习可迁移的地表表示。Matr
['适合已有少量标签、想快速做地物分类或变化分析', '可先用64维做原型，再按精度需求切换128维', '年度嵌入适合年度制图，不适合追踪月内突发变化', '验证目标地区迁移效果；PLANTEUR留岛成绩低于随机划分']
全球嵌入改变了使用模型的入口
Ai2 发布的 OlmoEarth v1.3，是一个把卫星影像时间序列编码为特征向量的模型；同时开放的还有全球年度嵌入数据，以及浏览器工具 OlmoEarth Embeddings Explorer。它面向的不是单一制图任务，而是希望从卫星数据中识别地表类别、变化或相似地点的用户。此前，OlmoEarth 的主要路径是在 Studio 中针对具体任务微调，再把模型跑过影像，这要求使用者有 GPU，也要处理影像的下载和存储。
v1.3 的变化，是把基础模型计算提前做完：使用者可以直接从已经计算好的嵌入开始，为自己的任务训练较小的模型。Ai2 提供全球数据，意在让用户不必先取得并运行整套卫星影像流程；浏览器工具则提供一种无需登录、无需高级技术背景的探索入口。这不是让遥感分析不再需要工程，而是把第一道门槛从“能不能跑基础模型”移到了“手上的表示和标签能不能回答问题”。
一个年度向量，压缩了多源时序信息
OlmoEarth v1.3 读取 Sentinel-1 雷达、Sentinel-2 与 Landsat 光学数据的年度时序，为地球上每个 10 米像素生成一个 128 维向量。前 64 维也能独立使用，因此数据使用者可以在较小表示和完整表示之间选择。技术报告描述的流程是：视觉 Transformer 编码不同时间、不同传感器的数据，Attention Pooler 将信息汇聚成地点表示，再由线性层把 768 维内部表示压缩到 128 维；Matryoshka 学习让前 64 维也保有独立用途。
这套设计的关键，不只是把图像变成更小的数据，而是让同一份表示可以服务多个下游任务。预训练使用遮蔽图像建模，让模型根据可见影像重建被遮部分，并预测地图目标；发布的全球年度数据则以每年 12 个 30 天时段合成影像为基础。用户不必为每个任务重新运行基础模型，但也继承了年度汇总和固定表示的边界：如果任务需要更细的时间变化，或特定的信息没有被嵌入保留下来，轻量分类器无法凭空补回这些内容。
基准成绩强，但不是对所有任务的保证
Ai2 将 v1.3 与 AlphaEarth Foundations 和 Tessera v2 放在 27 项评估中比较，覆盖六大洲和多种任务。按发布方报告，128 维嵌入在 20 项评估中得分最高，64 维版本在 18 项中得分最高，且整体排名领先。这说明压缩到一半维度并未在这组评估里抹掉大部分竞争力，但“赢了多少项”仍是特定数据集和任务集合上的结果，不等同于对任意地点、任意制图目标都更准。
新作物类型基准 PLANTEUR 尤其能说明泛化问题的重要性。技术报告给出的 mIoU 是：128 维版本在随机划分上为 36.7，在留一岛测试（LOIO）上为 24.9；64 维版本分别为 35.2 和 21.5。随机划分和留出地点的结果并不相同，意味着模型在已见区域附近表现如何，不能替代对新区域的检验。Ai2 称 v1.3 在未见地点上的作物类型泛化最佳；实际部署仍应按目标地区和目标类别单独验证，而不是把整体排名当成上线结论。
把基础模型成本前置，也把工作转移给使用者
全球预计算嵌入的工程价值，在于把昂贵的一次性计算摊给许多潜在任务。Ai2 称，v1.3 的训练用时约为 v1.2 的 53%、v1 的 18%，碳排放分别约为两代旧模型的 50% 和 22%；技术报告还估算，复现 v1.3 Base 最终预训练运行需约 2,720 美元的 H100 租用费用。这些数字描述的是训练效率和一次运行的估算，不代表使用全球嵌入没有存储、读取或后续标注成本。
对下游团队而言，流程可以变成：选定地点与年度嵌入，准备与任务匹配的标签，训练小型分类器或回归器，再把结果制成地图。材料列举的用途包括肯尼亚小农作物分类、达卡以西砖窑检测、印度尼西亚火灾损害评估，以及秘鲁亚马孙地区金矿开采追踪。对于不想下载整套原始影像、又需要快速试验多个地图任务的团队，这种入口可能明显降低启动成本；但任务标签、空间划分和结果核查仍是团队自己的责任。
适合快速建模，不等于免除遥感判断
OlmoEarth v1.3 的权重、预训练数据和代码均开放，全球嵌入也已提供给社区；模型仍可用于微调，Ai2 称其在研究和合作方标签上的表现与 v1.2 持平。因此，嵌入路线不是取代所有原有工作流，而是增加一种复用表示的选择：当任务适合从固定年度特征中学习时，先训练小模型可能更经济；当任务需要不同时间窗口或任务特定表征时，微调路线仍有价值。
技术负责人在采用前应先问三个实际问题：年度合成是否符合所需的时间尺度，64 维是否足以满足存储与精度要求，评估划分是否真正模拟了部署时的地理迁移。浏览器探索器可以帮助发现模式，却不能替代标签质量检查或现场验证；全球覆盖也不意味着每个地区、类别都有同等可靠的结果。更稳妥的判断是把嵌入视为可复用的起点，而不是现成答案：它能省去重复运行基础模型的部分成本，却不会替团队决定地图需要表达什么，以及错误会带来什么后果。