Recoverable Geographic Location Information in Earth-Observation Embeddings
作者: Peiwen Zhang, Kristie Hu, Jovana Knezevic, Shunde Yin, Kyle Gao
分类: cs.CV
发布日期: 2026-09-24
💡 一句话要点
评估地理信息在地球观测嵌入中的可恢复性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 地球观测 地理信息 嵌入表示 模型审计 太阳能农场
📋 核心要点
- 现有的地球观测模型未能明确其嵌入是否包含地理信息，影响了位置感知应用的准确性。
- 本文通过评估三种EO基础模型的嵌入，提出了地理信息内容作为审计标准的核心思想。
- 实验结果表明，所有模型的预测性能显著优于随机基线，AlphaEarth在距离关联性和误差方面表现最佳。
📝 摘要（中文）
地球观测（EO）基础模型提供可重用的嵌入，但下游任务的准确性并未揭示这些表示是否编码了地理信息。本文通过对284个经过质量验证的欧洲太阳能农场进行测试，评估了Tessera v1、Tessera v1.1和AlphaEarth的地理坐标鲁棒性。研究发现，所有三种EO基础模型的嵌入均包含可恢复的地理信息，且AlphaEarth在距离关联性和平均大地误差方面表现最佳。这些发现为审计EO基础模型提供了新的标准。
🔬 方法详解
问题定义：本文旨在解决地球观测模型嵌入中地理信息的可恢复性问题。现有方法未能明确评估嵌入是否包含有用的地理信息，影响了其在位置感知应用中的有效性。
核心思路：通过测试嵌入表示与地理坐标的关联性，论文提出了评估地理信息内容的新方法，强调其在模型审计中的重要性。
技术框架：研究首先收集284个欧洲太阳能农场的数据，然后使用余弦距离和大地距离评估嵌入的地理信息内容，最后通过预测坐标来验证模型的有效性。
关键创新：论文的主要创新在于首次系统性地评估了EO基础模型嵌入的地理信息恢复能力，提出了新的审计标准，与传统方法相比，提供了更全面的评估视角。
关键设计：在实验中，使用了EPSG:3035坐标系统进行坐标预测，采用了多种预测模型，并与训练范围内的均匀随机采样基线进行了对比。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所有三种EO基础模型的预测模型均显著优于训练范围内的均匀随机采样基线。AlphaEarth在距离关联性方面表现最佳，平均大地误差最低，表明其在地理信息恢复能力上的优势。
🎯 应用场景
该研究的潜在应用领域包括环境监测、城市规划和农业管理等。通过提供可恢复的地理信息，模型可以更好地支持位置感知的决策，提升相关应用的准确性和效率。未来，这一方法可能推动地球观测技术在更多领域的应用与发展。
📄 摘要（原文）
Earth-observation (EO) foundation models provide reusable embeddings, yet downstream task accuracy does not reveal whether these representations encode geographic information, which may be beneficial for location-aware applications but potentially detrimental when representations invariant to geographic location are desired. We therefore evaluate the geographic coordinate robustness of Tessera v1, Tessera v1.1, and AlphaEarth by testing whether coordinates can be predicted from the embedding representations using 284 quality-verified European solar farms from 2024. We assessed geographic information content information through the association between cosine and geodesic distances and through prediction of projected coordinates in EPSG:3035. Embeddings from all three EO foundation models contain recoverable geographic information. All prediction models significantly outperform training-range uniform random sampling baselines, with AlphaEarth exhibiting the strongest distance association and lowest mean geodesic error. Both Tessera variants also yielded higher geographic distance correlations than the Sentinel-2 controls. These findings motivate geographic information content as an additional criterion for auditing EO foundation models.