OlmoEarth开放自定义向量导出

OlmoEarth 不再只给预测结果，而是把中间特征交给用户

近日，Allen Institute for AI（Ai2，原 AllenAI）为 OlmoEarth Studio 上线了自定义 Embedding 导出功能。用户现在可以针对指定区域、时间范围和观测条件运行 OlmoEarth，并把模型生成的空间特征以 GeoTIFF 格式下载，继续用于相似性搜索、少样本分割、变化检测或自建分类器。

**OlmoEarth Embedding 是地球观测基础模型从卫星影像中提取的数值特征表示。**它不是森林、道路或积水等最终标签，而是模型对地表纹理、光谱、空间结构和时间变化的压缩理解；下游算法可以把这些向量当作比原始像素更容易利用的输入。

这次更新真正有价值的地方，不是又多了一个下载按钮，而是 OlmoEarth Studio 开始从封闭的预测工具变成可组合的地理空间模型平台。对已有 GIS 流程、少量标注数据或专有分析方法的团队来说，中间特征通常比固定任务的成品图层更有用。

按需计算，比全球预生成档案更灵活

**按需 Embedding 是根据用户指定的区域和时间条件临时计算的特征，而不是从一个固定的全球向量库中截取结果。**Ai2 在官方介绍中强调，OlmoEarth Studio 的结果全部按请求计算，因此 Embedding 可以对应用户真正关心的观测条件。

这种设计解决了遥感应用里一个常被通用数据集掩盖的问题：同一个地点在不同季节、不同年份乃至不同传感器下，含义可能完全不同。一块农田在播种期、旺长期和收获后的影像差异很大；如果系统只提供年度合成快照，模型可能把季节变化平均掉，也可能错过持续时间较短的洪水、火烧迹地或施工活动。

OlmoEarth Studio 允许用户生成月度 Embedding，从而保留季节动态，而不必被限定在年度快照上。对农业物候、湿地水位、积雪覆盖和城市扩张等任务来说，时间粒度本身就是信号，而不是需要被消除的噪声。

固定全球档案与 OlmoEarth 这类按需方案的差异，可以概括如下：

| 方案 | 时间条件 | 区域范围 | 数据新鲜度 | 计算方式 | 更适合的场景 | |---|---|---|---|---|---| | 全球预计算 Embedding | 通常由提供方固定 | 覆盖广，但切片规则固定 | 依赖档案更新周期 | 提前批量计算 | 全球检索、统一基准、大范围快速取数 | | OlmoEarth Studio 按需 Embedding | 可围绕具体月份或分析周期配置 | 面向项目关注区域 | 随任务重新计算 | 提交任务后动态生成 | 季节分析、局部监测、专有区域研究 | | 本地运行开放模型 | 用户自行控制 | 取决于本地数据与算力 | 完全由用户决定 | 自建数据和推理流程 | 高度定制、批量生产、隐私或合规要求较高的任务 |

按需计算也有明确代价：它不会像预生成数据库那样做到选区后立即返回，重复处理同一区域还会产生额外计算。Ai2 此次没有在公开文章中给出 Studio 的统一价格、任务延迟或吞吐量数字，因此目前无法判断它在全国级、全球级批处理上的成本优势。

导出的不是普通图片，而是一块可计算的特征栅格

**GeoTIFF 是一种能够同时保存栅格数据与地理坐标信息的文件格式。**OlmoEarth Studio 把 Embedding 导出为 GeoTIFF，意味着输出不仅包含模型特征，还能保留空间参考，使结果能够和行政区、道路、水体、调查样点及其他遥感图层对齐。

一个直观类比是：RGB 图片给每个位置保存红、绿、蓝三个数，而 Embedding 栅格给每个位置保存一组由模型学习得到的特征数值。单个特征通道通常不对应人类可直接命名的地物，但整组向量可以表达地表之间的相似性。

这种文件设计降低了工具链摩擦。官方确认导出的 GeoTIFF 可以被 QGIS、GDAL、rasterio 以及用户自己的分析脚本读取，因此团队无需先适配一种专有数据库或在线检索协议，原有 GIS 和 Python 工作流基本可以继续使用。

| 输出类型 | 保存的内容 | 是否直接给出类别 | 与 GIS 的衔接 | 典型用途 | |---|---|---:|---|---| | 原始卫星波段 | 反射率、雷达后向散射等观测值 | 否 | 成熟 | 指数计算、传统遥感处理、模型训练 | | 任务预测图层 | 森林、道路、积水等概率或标签 | 是 | 成熟 | 直接制图、统计面积、业务交付 | | OlmoEarth Embedding | 模型学习到的多维空间特征 | 否 | 通过 GeoTIFF 直接接入 | 检索、少样本学习、变化分析、自定义分类 |

Embedding 并不会自动变成最终答案。用户仍然需要距离度量、聚类、降维、少量标签或一个轻量下游模型，才能把特征转换成业务结论；但与直接从原始 Sentinel 或 Landsat 像素开始相比，OlmoEarth 已经完成了最重的表征学习步骤。

四类下游任务最值得关注

1. 相似性搜索：从一个样点找出更多同类区域

**地理空间相似性搜索是用一个或多个参考位置的 Embedding，在更大区域中寻找特征最接近的位置。**例如，分析人员标出一处已知太阳能电站、特定作物田块或受损林地，就可以计算其他位置与参考向量的距离，再得到候选区域热力图。

这类方法的优势是启动快，不必先制作成千上万条标注；它的风险则是视觉或光谱上的相似不一定等于语义相同。温室屋顶可能与部分工业建筑接近，裸地也可能与施工区域混淆，因此结果更适合候选发现和人工复核，而不是未经验证就进入自动执法或高风险决策。

2. 少样本分割：用少量标注建立区域专用模型

**少样本分割是利用少量像素或多边形标注，预测整幅影像中同类地物的范围。**用户可以把 OlmoEarth Embedding 当作输入特征，再训练逻辑回归、树模型或较轻量的分割头，从而减少从零训练视觉模型所需的数据和算力。

这一能力尤其适合类别定义具有地方性的任务。全球通用土地覆盖模型知道什么是林地和水体，却未必知道某个地区的特定灌溉方式、地方性作物或企业内部定义的风险等级；可导出的 Embedding 让用户保留基础模型的通用视觉能力，同时把最终判定规则掌握在自己手里。

3. 变化检测：比较两个时间点的特征漂移

**Embedding 变化检测是比较同一地点在不同时间的特征向量，以定位潜在地表变化。**相比逐像素相减，模型特征有机会弱化部分亮度、薄云或成像条件差异，更关注结构与语义变化。

月度输出使这一路线更实用。用户可以比较火灾前后、洪水前后或建设前后的 Embedding，也可以先建立多年同月基线，再识别偏离正常季节规律的区域。不过，Embedding 距离升高只代表模型观察到变化，并不直接说明变化原因，最终仍需要原始影像、现场数据或任务模型确认。

4. PCA 可视化：把高维特征压缩成一张可看的图

**主成分分析（PCA）是一种把高维数据投影到少数主要方向的线性降维方法。**把 Embedding 压缩到三个主成分并映射为 RGB，可以快速查看模型如何组织一个区域，也能发现异常条带、传感器差异或明显的地表分区。

PCA 图适合探索和质检，但不应被当作正式分类结果。主成分表示的是方差最大的方向，不保证对应道路、农田或建筑等人类语义，颜色相近也不等于地物类别完全一致。

Studio 降低门槛，开放模型保留控制权

**OlmoEarth Studio 是 Ai2 面向地球观测任务提供的项目化模型运行环境。**按照官方流程，用户先创建项目，配置 Embedding 模型并运行任务，随后下载结果；这一过程与 Studio 中执行其他预测任务基本一致。

截至 2026 年 8 月 12 日，自定义 Embedding 导出已面向 OlmoEarth Studio 用户提供，但官方页面仍采用联系申请访问的表述，并未公布完全开放的自助注册范围和标准定价。换句话说，这项能力已经可用，但还不能简单理解为所有用户都能无门槛使用的公共云服务。

不想依赖 Studio 的团队可以运行公开发布的 OlmoEarth 模型。Ai2 已在 Hugging Face 提供 OlmoEarth-v1-Base；该模型采用 ViT-Base 架构，参数量为 8900 万，面向 Sentinel-1、Sentinel-2 和 Landsat 影像及影像时间序列的遥感任务。

公开模型与 Studio 的定位并不冲突。Studio 负责托管数据准备、任务执行和地理文件导出，更适合希望尽快获得结果的 GIS 或研究团队；本地运行则允许用户控制数据预处理、批次、硬件、模型微调和生产调度，但需要承担卫星数据整理、投影对齐、时间序列构建及推理基础设施成本。

| 使用路径 | 模型与运行环境 | 数据工程负担 | 可定制程度 | 已知限制 | |---|---|---:|---:|---| | OlmoEarth Studio | 平台托管 | 较低 | 中等，围绕项目条件配置 | 需获取 Studio 访问权限；价格与性能数字未公开 | | 本地运行 OlmoEarth-v1-Base | 8900 万参数 ViT-Base | 较高 | 高 | 需要自行准备 Sentinel-1、Sentinel-2 或 Landsat 数据与算力 | | 在 rslearn 中微调 | 用户自建训练与推理流程 | 高 | 很高 | 需要标注、训练资源及遥感工程经验 |

Ai2 还在 olmoearth_projects GitHub 仓库 中提供了计算 Embedding 和在 rslearn 中微调 OlmoEarth 的教程。官方示例覆盖相似性搜索、少样本分割、变化检测与 PCA 可视化，并提供可在线运行的 Notebook 路线，方便用户先验证特征是否适合自己的数据，再决定是否建设完整流程。

这次更新的意义，在于把基础模型从终点改成底座

OlmoEarth 此前更容易被理解为一个遥感基础模型家族，而自定义导出让它开始具备平台层价值。传统遥感产品往往直接交付一张分类图，使用简单，但类别集合、时间粒度和决策边界都由供应方决定；Embedding 则把最后一公里留给用户。

这种路线更符合地球观测的现实需求。不同机构对同一地表可能有完全不同的定义：保险公司关心受灾程度，农业团队关心作物阶段，环保组织关心栖息地变化，城市部门关心新增建筑。要求一个固定分类头覆盖所有任务并不现实，而共享基础特征、分别训练轻量下游模型，通常更灵活。

OlmoEarth 的竞争力也不能只看模型参数量或单项榜单。遥感基础模型是否好用，最终取决于传感器支持、时间序列处理、地理坐标保留、数据获取、导出格式和下游工具兼容性；这次更新补上的正是模型走向真实分析流程时最容易断掉的一环。

不过，Ai2 目前仍缺少三组关键公开数字：Studio 单次任务的价格、不同面积与时间跨度下的计算延迟，以及 Embedding 在标准下游数据集上相对原始波段或其他地球观测基础模型的量化增益。在这些数据公布之前，可以确认的是工作流更顺了，但还不能据此判断它是成本最低或效果最强的方案。

对开发者和深度用户而言，现阶段最合理的用法是把 OlmoEarth Embedding 当作可验证的通用特征底座。先选一个小区域，用现有标签比较原始波段、传统指数与 OlmoEarth 特征的交叉验证结果，再评估存储、推理和标注成本；如果少量样本就能获得稳定提升，扩大生产规模才有意义。

参考来源

• Hugging Face：Introducing OlmoEarth embeddings：Ai2 对 Studio 自定义 Embedding 导出、按需计算和下游应用的官方介绍。
• Hugging Face：OlmoEarth-v1-Base 模型卡：包含 8900 万参数 ViT-Base 架构、传感器支持范围和许可信息。
• GitHub：allenai/olmoearth_projects：提供 Embedding 计算、相似性搜索、少样本分割、变化检测、PCA 可视化及 rslearn 微调教程。