标签
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。
EO-WM提出了一种视频扩散变换器，用于概率性地球观测预测，该模型融入了物理信息条件，以捕捉天气驱动的不确定性，从而在极端天气下实现了对植被指数的更好预测。
UniverSat 引入了一种用于Vision Transformers的Universal Patch Encoder，该编码器可以在不同地球观测数据类型上实现鲁棒的、传感器无关的空间特征提取，在分类和分割基准测试上取得了优秀结果。
NAVI-Orbital展示了零样本视觉语言模型（Gemma 3）在低地球轨道卫星上的首次在轨部署，无需微调即可实现自主场景分类和地球观测数据的语义压缩。
一颗名为 Yam-9 的卫星在轨使用了 Google DeepMind 的 Gemma 3 视觉语言模型，基于自然语言查询自主识别感兴趣区域，标志着首次有报道在太空中使用 VLM，并预示着卫星运行向更加自主的方向转变。
本文提出HADT，一种基于Transformer的架构，用于异构卫星集群在执行地球观测任务时的自主资源管理，采用差分注意力和关系化令牌化机制。实验表明，该方法相较于基线有显著改进，并对不同规模的卫星集群展现出强适应性和迁移能力。
本文介绍了一种新颖的不确定性感知PINN框架，用于从SAR数据进行洪水推理，通过动态放松噪声区域的物理约束来解决“物理冲击”问题。在Sen1Floods11数据集上评估，该方法实现了IoU提高25%，并为操作化灾害响应提供了校准的不确定性边界。