-
_NEWSDATE: 2025-08-01 | News by: 量子位 | 有0人参与评论 | 专栏: 谷歌 | _FONTSIZE: _FONT_SMALL _FONT_MEDIUM _FONT_LARGE
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。
在数据处理上，AEF实现了多源信息的深度融合。
它能接收光学卫星、雷达、激光雷达、气候数据甚至地理文本等10多种输入，打破了数据类型的壁垒。通过统一的编码方式将这些不同类型、不同分辨率的数据转化为可兼容的特征。
例如，光学图像的植被颜色、雷达的地表结构信息、气象站的温度数据，都会被整合到同一个嵌入向量中，这个向量仅64字节。
模型的训练机制也颇具特色。它采用师生模型和对比学习策略。同时，引入文本对齐训练，将地理文本描述与对应区域的嵌入向量关联，进一步丰富特征的语义信息。
最终，AEF生成的嵌入场以10x10米方格形式精确分析地球陆地和沿海水域，同时为每个方格创建高度紧凑摘要，存储空间需求仅为其他AI系统的十六分之一，降低了分析成本。
- 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