标签
Allen AI 发布 OlmoEarth v1.3 卫星嵌入模型，可为全球每个 10 米像素生成 128 维向量，并同时公开全球预计算嵌入数据与浏览器端嵌入探索工具，在 27 项评测中 20 项取得最佳成绩。
Google DeepMind 推出了 ForTy 系统，该系统将地球上每一块 10x10 米的土地划分为不同的森林和树木作物类型，凸显了未受干扰的自然森林比单一树种木材种植园储存更多碳、承载更多生物多样性。
Google DeepMind、Google Research、WRI 和 IIASA 发布了 Forest Typology (ForTy) 2020，这是一张 10 米分辨率的全球地图，将每一块土地归类为六种森林和土地利用类型，并附带 2017–2025 年的时间序列，展示天然林被何种地物所取代，为欧盟零毁林法规提供支持。
ESA 与 MistralAI 签署了意向书，旨在加强在人工智能领域的合作，专注于开发用于地球观测、工程及下一代太空活动的安全可信欧洲人工智能解决方案。
阿尔巴尼亚已成为签署阿尔忒弥斯协议的第73个国家，承诺与NASA和其他国家合作，进行和平且透明的太空探索。
本文提出了一种用于openEO的机器学习API规范，旨在将机器学习工作流集成到地球观测数据立方体中，以增强可重复性和跨平台互操作性。通过R和Python中的原型实现以及作物类型映射和深度学习的应用案例，展示了其可行性。
本研究论文探讨了跨境喜马拉雅流域冰湖溃决洪水的最坏情况情景，通过综合方法和多项科学研究评估当前和未来的危害。
本文提出了一种任务驱动的三层分布式调度方法，用于大规模低地球轨道星座中的应急地球观测。与现有方法相比，该方法实现了更高的应急覆盖和更低的常规计划中断。
OlmoEarth Studio 现支持从 OlmoEarth 基础模型计算并导出自定义嵌入向量，支持相似性搜索、分割和变化检测等下游任务。这些嵌入向量可通过 Studio 界面或 API 以云优化 GeoTIFF 格式获取。
GeoForge 是一个无需训练、自进化的地球观测推理框架，它将已完成的轨迹组织成非参数记忆，以改进 LLM 智能体的规划和工具使用，而无需更新骨干模型。
欧洲的哥白尼浏览器（Copernicus Browser）现在将野火追踪作为默认可视化选项，使获取更高分辨率的卫星图像以监测火灾和烟雾变得更加容易。
介绍了Obshazard-bench，这是一个实时、观测驱动的基准，用于评估多模态基础模型从原始地球观测流中获取灾害智能的能力，涵盖60多个国家的8个灾害类别。
介绍了OVEarth-Bench，一个用于开放词汇地球观测的基准，扩展了类别覆盖和查询多样性，揭示了现有方法仍有限，而基于MLLM的方法表现最佳。
Array Labs 获得了由三菱电机领投的 2100 万美元战略融资，以扩大其小型、可大规模制造的雷达卫星集群规模，这些卫星可实时追踪船舶、飞机和导弹，并已获得多个美国国防机构的现有合同。
本文对ESA的φ-lab开发的两个地理空间基础模型TerraMind和THOR进行了系统比较，分析了补丁大小和解码器类型等架构选择如何影响地球观测任务中十个用例的性能。
由谷歌和贝佐斯地球基金支持的前三颗FireSat业务卫星成功发射，可探测小至5x5米的山火，目标在2029年前实现每小时全球覆盖。
本文综述了地理空间基础模型（GeoFMs）的新兴范式，这些模型在海量地理空间数据集上进行预训练，以实现对卫星和航空影像的快速微调和零样本分析。内容涵盖范式转变、模型适配策略，以及以大语言模型（LLMs）为编排器的智能体地理空间推理的前瞻性愿景。
本章回顾了地球观测基础模型的设计原则和当前格局，强调了领域特定适应、物理上合理的表示以及一致评估基准的必要性。包含关于有害藻华预测和自适应监测站点选择的案例研究。
该论文介绍了迄今为止最大的地球观测基础模型可控扩展研究，展示了预训练损失对下游性能的预测能力较差，并提供了最优计算资源分配规则。它训练了扩展的像素级模型（0.5B和1B参数），并将其蒸馏为紧凑的学生模型，这些模型优于更大的开源和专有模型。
EO-Agents 提出了一种三智能体LLM流水线，用于生成地球观测假设，利用NASA知识图谱和图神经网络对候选数据集配对进行排序，LLM智能体负责筛选、生成和评估结构化研究假设。