标签
本文介绍了一个用于北极生态导航的人在回路、多代理GeoAI系统，该系统整合了操作、生态和社区标准，以规划更安全、更具社会责任感的海事航线。
本文评估了零样本大型语言模型在预测美国大都市区社区级移动模式方面的表现，将其与监督基线进行比较，并审计其与经验数据的结构对齐。
Niantic Spatial正聚焦于大型地理空间模型，标志着AI驱动的地图绘制与空间技术领域出现战略转型。
IOAH3 是一种计算方法，用于对地理参考域进行数据驱动的自适应空间分区，采用 H3 层级网格。它结合了基于 PCA 的重要性评分、用于单元格选择的图割优化以及层级细化，以解决可修改面积单元问题。
本文介绍了GeoNatureAgent Benchmark，这是首个通过结构化工具调用评估LLM代理在环境地理空间分析任务上表现的基准。它对18个类别的93项任务中的七个模型进行了评估，发现Claude Sonnet 4以60.8%的准确率领先，而DeepSeek V3.2等开源权重模型则提供了强大的性价比。
一项研究评估了Prithvi-EO-2.0基础模型在19个不同全球洪水事件中用于卫星洪水制图的效果，发现检测精度共同受土地覆盖和洪水类型的影响。
Niantic Spatial的视觉定位系统（VPS）已被美国战争部的Tradewinds Solutions Marketplace认定为“可授予”，使政府机构能够在关键任务环境中采购这种独立于GPS、基于深度学习的定位技术。
本文评估了以 Prithvi-EO 为代表的地理空间基础模型嵌入，在撒哈拉以南非洲地区预测作物产量时，相较于传统 Sentinel-2 特征是否具备跨国泛化优势。研究发现，在严格的留一国交叉验证下，冻结的嵌入特征并未显著优于光谱中位数，表明国家层面的分布偏移是主要瓶颈，而非特征表示的质量。
分析Google AlphaEarth在1210万美国样本上的64维嵌入流形，揭示其非欧结构与向量算术失效，并构建具备几何感知工具的智能体系统，在环境查询上超越参数基线。
Google DeepMind 推出 AlphaEarth Foundations，一个将数十亿字节的地球观测数据整合为统一嵌入的 AI 模型，可以以 10×10 米的分辨率对地球进行映射和监测。该模型的紧凑表示形式能够实现高效的全球规模分析，应用于粮食安全、森林砍伐追踪和环境监测。