arXiv cs.AI· Jorge L. Rodriguez, Victor Angulo Morales, Areej Alwahas, Mariana Elias Lara, Fida Mohammad Thoker, Kasper Johansen, Bernard Ghanem, Fernando T. Maestre, Matthew F. McCabe·· 13 小时前AI 评分31
FLORO：面向跨传感器与跨尺度生态遥感的多元地理空间基础模型
FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales
AI 导读
FLORO 是一个多元地理空间基础模型，在 Sentinel-1、Sentinel-2、SkySAT、高程和 UAV 数据的异构小规模语料上以掩码自编码预训练，并通过可用性感知输入统一不同传感器配置。在 PANGAEA 基准的冻结编码器评测中，它在六个分割基准上取得第二佳平均性能，在三个场景分类基准上平均排名第三，并在回归任务中表现突出。
正文 · AI 翻译
摘要：基础模型为可迁移的遥感表征提供了一条有前景的途径，但当前许多方法依赖于超大规模的预训练数据集和固定的传感器配置，这限制了它们在生态与环境应用中的适用性，因为此类应用中的观测往往因平台、空间与光谱分辨率以及可用模态的不同而存在差异。我们提出 FLORO，这是一个多模态地理空间基础模型，旨在从一个规模较小但高度多样化的遥感语料库中学习可迁移的表征。FLORO 在 Sentinel-1、Sentinel-2、SkySAT 影像、高程以及无人机（UAV）衍生数据的异构组合上，采用掩码自编码进行预训练。为适应传感器的多样性，FLORO 引入了可用性感知输入，用以指示每个样本中存在哪些光谱波段和辅助模态，从而在异构传感器配置之间实现统一的输入空间。我们在 PANGAEA 基准上采用冻结编码器协议，对 FLORO 在场景分类、分割和回归任务上进行了评估。尽管预训练语料库规模小于竞争的基础模型，FLORO 仍在涵盖中分辨率卫星、机载和超高分辨率无人机影像的光学、光学-SAR 和光学-高程基准上实现了强劲且稳定的迁移。FLORO 在六个 PANGAEA 基准上取得了第二佳的平均分割性能，在三个场景分类基准上取得了第三佳的平均排名，并在回归任务中表现出色，同时定性结果显示其在洪水、城市、生物量和冠层高度预测场景中更好地保留了空间结构。总体而言，这些结果使 FLORO 成为异构传感条件下生态与环境监测的实用框架。
| 评论： | 57 页，11 幅图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.28174 [cs.CV] |
| （或本版本的 arXiv:2605.28174v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2605.28174 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | ISPRS Journal of Photogrammetry and Remote Sensing 243, Part 1 (2027) 811-839 |
| 相关 DOI： | https://doi.org/10.1016/j.isprsjprs.2026.10.008
链接到相关资源的 DOI |
提交历史
来自：Jorge L. Rodríguez Galvis 先生 [查看电子邮件]
[v1]
2026 年 5 月 27 日星期三 08:55:54 UTC（28,638 KB）
[v2]
2026 年 10 月 29 日星期四 13:22:38 UTC（32,628 KB）
来源：arXiv cs.AI · arxiv.org