OlmoEarth 1.3发布：年度卫星嵌入如何降低遥感AI试用门槛
Ai2发布OlmoEarth v1.3及年度卫星嵌入，支持浏览器地图探索。本文结合模型卡、数据说明和官方代码，梳理覆盖年份、轻量分类、效果声明与许可边界。
使用卫星影像做AI分析，门槛经常藏在模型之前：下载大量影像、处理不同传感器、准备算力，然后才能回答某块土地发生了什么变化。Ai2于2026年10月22日发布的OlmoEarth v1.3，把一部分重复计算预先完成，并提供年度地表嵌入和浏览器探索工具，让团队更早判断一个分析方向是否值得继续。
背景：把卫星观测整理成可复用特征
地球观测嵌入可以理解为一份由模型提取的地表特征表示。根据官方模型卡与数据说明，OlmoEarth v1.3结合Sentinel-1雷达、Sentinel-2和Landsat多光谱观测，将一个日历年的信息压缩成每个10米像素对应的128维向量；前64维也可单独使用，以减少数据体积。
这些向量不是新的卫星照片，也不是某一天地表状态的直接记录。它们用于帮助分类器或其他分析方法识别规律。一个实用变化是，团队可以在已计算的特征上训练较小的模型，而不必每次都从原始影像重跑基础模型。
本次更新：模型、年度数据与探索入口一起提供
此次公布的资源包括v1.3 Base模型、预计算嵌入、官方代码及Embeddings Explorer。官方介绍的浏览器功能包含查看不同年份、查找相似地点、以少量标注训练小分类器，以及导出GeoTIFF。对先做可行性验证的团队，这比直接投入完整微调更容易形成第一轮反馈。
但范围要读清楚。数据发布页明确：2023、2024和2025年提供全球覆盖，2017至2022年仅覆盖部分国家，后续仍在补齐。不能把页面中的跨年示例概括成所有地区都有连续九年数据，也不能用年度向量承诺实时监测。
应用价值：先筛选问题，再安排重计算
农业分类、土地覆盖调查、灾后地表变化与环境研究，都是可以尝试的方向。编辑部建议先选择一个有可靠标签的小区域，核对所需年份和覆盖，再比较轻量分类结果与实际影像。如果误差集中在作物类型、季节变化或地块边缘，就应补充标注、调整任务，必要时转向专门微调。
这种做法的作用是降低早期试错成本。它不能免去数据质量检查，也不会自动解释地表变化的原因。例如向量变化较大，可能提示值得调查的区域，但是否为火灾、采矿或植被恢复，仍需结合原始影像及其他记录。
如何理解效果声明与计算成本
官方公布了与其他地球观测嵌入方案的对比结果，并认为v1.3在其评测组合中表现领先。这属于发布方报告，本站没有独立重跑，也不据此保证任意中国地区或行业任务都有同样效果。部署评估应使用自己的地区、标签与业务误差标准。
同样，浏览器端初步探索不需要用户准备GPU，并不意味着整个系统没有计算成本。年度嵌入已经由提供方预先生成；下载大范围数据、训练后续模型和部署长期服务，仍会产生存储、网络与运维开销。
适合哪些人关注
遥感与GIS开发者、农业技术团队、环境研究者，以及需要快速验证地表分类想法的公益组织，可以从Explorer和一小块公开数据开始。需要特定日期窗口、高频变化或生产级验收的项目，则应进一步核查数据时效、地区适配和完整处理链。
许可证与复核入口
官方模型卡将许可标为other，仓库提供的是OlmoEarth Artifact License。使用、修改和分发应阅读这份许可证的具体条件，不能仅凭开放权重就推定它等同于其他常见许可证。数据还附有来源追溯信息，可用于回查对应卫星观测；这是验证结果的重要入口，而不是正确性的替代证明。
来源参考
资料核查截至2026年10月24日。以下为项目公告、论文或一手技术资料；正文由AI导航编辑部结合多份资料独立撰写。
