近日，一篇由Yaw Osei Adjei等人完成的論文在arXiv上釋出，系統評估了地理空間基礎模型嵌入在跨國作物產量預測中的泛化能力。該研究聚焦撒哈拉以南非洲地區的小農玉米產量預測，這是一個對食品安全規劃至關重要但長期被低估的挑戰。
研究背景：準確的跨國產量預測對於制定有效的食品安全政策至關重要，然而現有的基準測試大多基於國內資料，這往往會高估模型的實際泛化能力。該研究旨在檢驗地理空間基礎模型嵌入（具體包括Prithvi-EO-1.0-100M和ViT-Base）是否能夠提升跨國預測效能，並比較它們與傳統Sentinel-2光譜特徵的表現。
研究方法：採用了嚴格的留一國家交叉驗證方案。資料來自迦納、肯亞、馬拉維、坦尚尼亞和烏干達五個非洲國家的6404塊玉米田觀測資料。實驗比較了三種特徵集：原始Sentinel-2光譜特徵、Prithvi-EO嵌入和ViT-Base嵌入。為了避免資料洩露，所有模型均以凍結（frozen）方式使用預訓練嵌入，不進行微調。
主要發現：在國內隨機交叉驗證中，所有特徵集都獲得了中等的R²值（約0.3-0.5），表明模型能夠在一定程度上捕捉到區域性的產量變化。然而，在跨國家的留一國家測試中，所有特徵集的R²均變為負值，表明模型甚至無法預測基本的趨勢。令人驚訝的是，Prithvi-EO嵌入並未提供任何明顯優勢，其表現與傳統光譜特徵相當甚至更差。
討論與影響：作者指出，主要問題並非特徵表示的質量，而是不同國家間固有的產量分佈差異。這種分佈偏移導致模型難以泛化到未見過的國家。研究強調，未來工作應重點解決分佈偏移問題，而不是簡單地追求更強大的特徵表示。此外，該研究公開了所有程式碼和處理後的資料，為後續研究提供了一個可重複的負面基準，有助於推動該領域更嚴謹的評估。
這一結果對AI在農業遙感領域的應用具有重要警示意義：儘管基礎模型在眾多領域展現了強大能力，但在跨國別、跨區域的泛化任務中仍面臨嚴峻挑戰。它提醒研究者和實踐者，不應僅依賴模型容量或先進表示，而需深入理解資料分佈的特性，並設計針對性的遷移學習策略。