geospatial-ai

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。