OlmoEarth Studio 支持自定义 embedding 导出

Allen AI 研究所（Ai2）在其地球观测模型平台 OlmoEarth Studio 中新增了 embedding 向量的计算与导出能力。Embedding 是对地表观测数据的紧凑数值表征，由 Ai2 开源的 OlmoEarth 基础模型生成，相关代码与模型权重均已公开，社区可自行验证生成流程。导出结果以 Cloud-Optimized GeoTIFF（COG）形式给出，便于共享与下游使用，平台也提供 supervised fine-tuning（SFT）通道以满足更高性能需求。

支持的参数与数据源

用户在 Studio 中可通过界面或 API 自定义以下参数，平台按需拉取影像并完成推理：

• 感兴趣区域：可手绘或上传任意多边形，Studio 自动完成影像获取与切片。
• 时间跨度：1–12 个月度时段，支持月度 embedding 以捕捉季节性变化。
• 编码器型号：Nano（128 维，1.4M 参数）、Tiny（192 维，6.2M 参数）、Base（768 维，89M 参数）。
• 空间分辨率：每像素 10 m、20 m、40 m 或 80 m。
• 影像来源：Sentinel-2 L2A、Sentinel-1 RTC，或两者同时使用。

输出 COG 的每个波段对应一个 embedding 维度，向量以 signed 8-bit int 存储，取值范围为 -127 到 +127（-128 保留为 nodata）。如需还原浮点向量，可调用 olmoearth_pretrain 中的 dequantize_embeddings 函数。由于 embedding 按需计算而非来自预计算的全量归档，能够精确反映用户关心的地表条件。

典型下游应用

文章示例均采用 OlmoEarth-v1-Tiny（192 维）embedding，分辨率 40 m，影像源为 Sentinel-2 L2A 合成（变化检测场景使用月度合成）。

相似性搜索

选取查询像素，提取其 embedding 并与所有像素计算余弦相似度，即可得到「最像查询点」的热力图。以加州 Merced 城市中心为例，城市建成区与道路廊道被一致高亮，而农田地块保持暗色，模型无需任何标签即可区分建成面与耕地。切换到农田查询窗口后，相似度 ≥ 0.89 的位置均为带灌溉的农田，相似度接近 0 的位置则集中于机场裸地、旱季水库与干旱牧场。

少样本分割

以越南 Ca Mau 红树林区为对象，仅标注 60 个像素（每类 20 个），使用 ESA WorldCover 2021 作为标签源（红树林、水体、其他），训练一个带特征标准化的逻辑回归模型即可生成全域土地覆盖图，加权 F1 达到 0.84。实验显示，从 30 个标签增加到 300 个标签对精度几乎没有提升，说明 embedding 已承担了主要识别能力。

变化检测与无监督探索

月度 embedding 之间可直接做差分以定位地表变化；通过 PCA 降维与 k-means 聚类（示例中使用 15 个簇，样本量 1.1M），可直观看到模型对全球地表结构的有序组织，便于无监督探索。

获取方式

自定义 embedding 导出功能现已面向 OlmoEarth Studio 用户开放，有兴趣的研究者可通过官方渠道申请访问。社区也可使用 OlmoEarth 公开模型自行计算 embedding，文档与示例代码已在 Allen AI 官网与 Hugging Face Blog 同步发布。