-
日期: 2025-08-01 | 来源: 量子位 | 有0人参与评论 | 专栏: 谷歌 | 字体: 小 中 大
来看看它是怎么做到的。
高精度追踪地球多源信息融合，对时间连续建模现在有卫星、雷达、无人机、气象站等无数设备，每天都在收集地球的图像、温度、湿度、地形等数据。
但不同国家、机构对于观测数据的标注标准可能不一样，并且地球表面随时在变化（比如森林被砍伐），但实地标注往往几年才更新一次，导致标注数据和实际情况脱节。
简单来说，地球观测数据就像“拍了无数张地球的照片”，但知道“照片里具体是什么”的标注却很少，这直接卡住了全球地图的绘制精度和效率。
而AEF的价值，就在于它能在标注稀少的情况下，依然用好海量观测数据，画出更准确的地图。
AEF是一种嵌入场模型，核心是时空精度编码器（STP），STP通过空间自注意力捕捉地理上的远距离关联，通过时间轴自注意力解析时序动态，再结合卷积操作保留局部精细特征。
通俗一点说就是把地球表面的复杂信息（如地形、植被、气候等）压缩成一组“数字密码”（嵌入向量），这些密码能精准反映地球表面的时空特征，既能看全局又能抓细节。
AEF的另一大创新是对时间的连续建模能力。
它将观测数据的支持期（数据实际采集的时间范围）与地图生成的有效期（需要映射的时间范围）分离，即使在有效期内没有直接观测数据，也能通过插值或外推生成连续的结果。
比如，如果只有2018年和2020年的卫星图像，模型能可靠推测出2019年某地区的地表状态，这解决了传统模型只能处理固定时间点数据的局限。
- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见