Earth Observation Foundation Models for Terrestrial Ecohydrology: From Representation Learning to Process Inference
本文提出了一种过程感知框架，旨在通过强调当前在数据覆盖、验证深度和物理一致性方面的差距，并倡导开展针对性评估以实现对水、能、碳耦合动态的可信监测，来解决地球观测基础模型与生态水文学需求之间的失配问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
地球是一个生命系统，水、能量和碳在土壤、植物和空气之间不断循环。当雨水落下时，它可能会渗入地下，流向河流，或者蒸发回天空。植物从土壤中吸取水分，并通过叶片释放水汽，这一过程既能冷却空气，又能从大气中吸收二氧化碳。理解这些无形的交换对于预测干旱、管理水资源以及弄清生态系统如何应对变化的气候至关重要。几十年来，科学家们一直利用卫星从太空观察这场“舞蹈”，通过捕捉陆地在不同光谱和波长下的图像，来测量土壤湿度、植物健康状况和地表温度等指标。然而，将这些原始的卫星图像转化为关于地球运作方式的可靠答案一直是一项挑战，因为数据是杂乱的，模式是复杂的，且地面状况在不断变化。
最近，一种被称为“基础模型”（foundation model）的新型人工智能在地球观测领域兴起。可以将这些模型想象成经过预训练的庞大系统，它们研究了数十亿张卫星图像，从而学习了关于地球的一般模式，就像一个在参加特定考试前已经读遍了图书馆所有书籍的学生一样。人们曾寄希望于这些模型可以被快速适配以解决特定问题，例如预测一片森林消耗了多少水，或某个特定地区的土壤有多干燥。但来自悉尼大学及其他机构的一个研究小组提出了一个关键问题：这些强大的新工具是否真的适用于复杂且专业的生态水文学（ecohydrology）科学，还是仅仅擅长处理较简单的任务？他们试图调查这些模型能否真正帮助我们理解水、能量与陆地生命之间的深层联系，还是在关键环节上表现不佳。
研究人员首先绘制了科学家通常如何将卫星信号转化为科学事实的精确流程。他们发现，这个过程分为若干步骤，从简单的测量演变为复杂的结论。在底层，卫星记录原始的光或热。下一步是将这种光转化为基础测量值，例如地表温度或植被绿度。第三步则变得更加困难：科学家需要将这些基础测量值与气象数据及计算机模型相结合，以估算“隐藏状态”，例如土壤深处含有多少水，或者一片森林吸收了多少碳。最后一步是利用所有这些信息来做出关于干旱或水资源管理的决策。该团队意识到，一个基础模型若要发挥作用，必须能够在每一个这样的步骤中都能处理不确定性和复杂性，而不仅仅是处理最简单的环节。
为了测试现有模型是否符合这些需求，该团队对 2021 年至 2026 年间发布的数十个基础模型进行了大规模的文献综述。他们发现，这些模型的训练内容与生态水文学家所需了解的信息之间存在显著差距。大多数模型主要基于可见光图像和主动雷达数据进行训练，这些数据擅长观察形状和结构。然而，它们很大程度上缺失了热传感器（用于测量热量）和被动微波传感器（对于穿透云层测量土壤湿度至关重要）的数据。更重要的是，在他们审查的模型中，没有一个是在直接测量植物荧光（一种揭示植物光合作用效率的微妙信号）的数据上进行训练的。这意味着这些模型学习的是一个关于地球水循环和能量循环的不完整图景。
当研究人员观察这些模型在现实世界研究中的实际应用情况时，结果褒贬不一。当任务是提供通用背景信息时，例如辅助识别不同的土地覆盖类型或提高地图的空间细节时，这些模型展现出了巨大的潜力。它们在帮助科学家处理极少量数据方面也表现出色，能够让科学家在测量数据稀缺的地方进行预测。然而，当任务变得更加复杂并需要对物理过程有深度理解时，这些模型就显得力不从心。例如，当研究人员尝试使用这些模型来预测河流中的精确流量，或植物与空气交换碳的精确速率时，结果往往微弱或不可靠。模型通常只有在环境条件与训练期间所见数据相似时才能表现良好，而在面对新区域或极端天气条件下的预测时，往往会失效。
该研究还强调了模型测试方式存在的问题。许多现有的测试依赖于将模型的输出与其他的计算机生成地图进行对比，而不是对照地面上的真实测量值进行校验。这造成了一个循环，即模型只是在模仿其他并不完美的模型，而不是在发现真相。研究人员发现，极少有研究会对模型进行独立的高质量数据（如来自气象站或现场传感器的数据）测试。此外，这些测试很少检查模型是否遵循基本的物理定律，例如“水不会凭空产生或消失”的规则。如果没有这些严格的检查，那么在将这些模型用于水资源管理或气候适应等重大决策时，很难对其信任度做出判断。
作者总结道，虽然这些基础模型是强大的工具，但它们尚未准备好取代科学家几十年来使用的严谨的、基于物理学的方法。这些模型在提供广泛的空间背景以及帮助填补数据空白方面非常优秀，但它们目前还无法可靠地推断出驱动水循环和碳循环的深层因果机制。为了向前迈进，研究人员认为基础模型的开发方式必须发生改变。未来的模型需要接受更多样化数据的训练，包括热信号和被动微波信号，并且必须针对现实世界的测量值进行测试，而非仅仅针对其他计算机模型。此外，它们还需要在设计时考虑到物理定律，确保其预测符合现实世界的逻辑。只有通过将这些强大的新工具与生态水文学的具体需求相对齐，我们才有望建立起对地球不断变化的水平衡和能量系统更可靠的理解。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。