第05章 地理空间基础模型：从论文模型到公共基线
本章导读
选基础模型时，问参数规模基本无效。本章对应原报告 4.1—4.4 节：4.1 用六张公开模型卡片说明 2024—2026 年 GeoFM 已从论文模型变成公共基线；4.2 把国内七条线摆开，其中云宇星空披露的语料量级最值得记；4.3 对比微调、特征、智能体三条路线的成本结构；4.4 用四个成本数字说明训练与推理门槛在两端同时变化。上一章讲精度与基准的边界，本章讲这些精度由什么模型产出、又该以什么方式使用。最该带走一句：选型要问预训练数据的模态覆盖、时间跨度与位置编码，而不是参数多少。
学习目标
读完本章，你应当能够：
- 列出 4.1 节表中至少五个 GeoFM 的发布方、公开时间与一个关键参数，并说清各自对 GIS 的意义；
- 用约 3 亿参数的 TerraMind 在冻结编码器下领先 20.6 亿参数通用模型的事实，解释参数规模为什么不是地观测领域的决定性变量；
- 用 4.2 节国内七条线对照国家队基座、行业基座与平台派三类定位，并指出各自的时效状态（如空天·灵眸 3.0 为 2024-09 成果）；
- 用云宇星空超 20 万条微调语料、6 万条思维链数据、1 万条评测集，说明一个省级行业大模型的真实投入量级；
- 用 4.3 节三条路线为一个具体任务选出路线，并写出该路线的代价与适用场景；
- 用 4.4 节四个成本数字说明“训练仍是大资本游戏、推理与微调正在平民化”，并据此判断某机构是否不必自训练基座。
4.1 2024—2026：从“论文模型”到“公共基线”
地理空间基础模型（GeoFM / EO Foundation Model）在 2023 年还是零星的概念验证，到 2026 年已形成“多极供给”格局。以下是公开可追踪、且能查到技术细节的代表性工作：
| 模型 / 数据集 | 发布方 | 公开时间 | 关键参数 | 对 GIS 的意义 |
|---|---|---|---|---|
| Prithvi-EO-2.0 | NASA + IBM Research | 2024-12 技术报告，2026-03 修订版 v3 | 基于 HLS 30 米十年时序、420 万条全球时序样本；3 亿 / 6 亿两档参数；显式使用卫星元数据与时间、位置嵌入；GEO-Bench 相对 1.0 提升 8%，跨 0.1—15 米分辨率任务超另外 6 个 GeoFM；训练成本 80×A100 约 11 天；Apache 类开源许可 | 开源可商用基线，垂直任务首选起点 |
| TerraMind | ESA Φ-lab + IBM Research Europe | 2025-04-22（地球日）；2025-10 发布 tiny/small 边缘版 | 首个 any-to-any 生成式多模态 EO 基础模型，预训练 5000 亿 token，支持像素/token/序列三种输入；PANGAEA 上唯一以冻结编码器超过任务专用 U-Net 的基础模型，平均 mIoU 领先其余 GeoFM ≥3 个百分点 | 多源融合（光学+雷达+DEM）的通用底座；边缘版让“无 GPU 笔记本可微调”成为可能 |
| Clay | 开源社区（Apache-2.0） | 2024 起持续迭代（v1.5 已有独立复现） | 通用地球特征提取器，开放权重 | 生态意义大于单点精度：把“基础模型 + 嵌入 + 下游轻量头”变成公共品 |
| SkySense | 蚂蚁集团等 | CVPR 2024 | 20.6 亿参数，多模态（高分辨率光学、中分辨率时序多光谱、时序 SAR），2150 万条时序序列 | 公开参数规模最大的遥感多模态基础模型之一；独立第三方复现较少 |
| AlphaEarth Foundations / Satellite Embedding | Google DeepMind | 2025-10 介绍；2026-01 起 Earth Engine 提供实操；2026-07 Google Maps Platform 推出商用嵌入服务 | 2017—2024 年、10 米分辨率的年度嵌入，定位“虚拟卫星” | 把“模型”变成“可直接查询的特征数据”，产品化程度高于开源权重 |
| OlmoEarth v1.3 | Allen Institute for AI | 2026-10-22 | 融合 Sentinel-1/2 与 Landsat，每 10 米网格整年观测压缩为 128 维（64 维版本）；27 项评测中 128 维版本 20 项最优；训练 GPU 时间约为 v1.2 的 53%、v1 的 18%；开放全球预计算特征（约 150 TB/年，已覆盖 2023—2025 年） | 标志“特征即服务”形态成熟：无需 GPU 集群即可用上基础模型 |
这张表最重要的不是参数规模，而是一个反直觉的事实：在地观测领域，参数规模与下游精度的相关性弱于 NLP。 PANGAEA 评测显示，约 3 亿参数级的 TerraMind 在冻结编码器策略下超过了 20.6 亿参数的通用模型；Prithvi-EO-2.0 相对 1.0 的提升（8%）主要来自时序与位置嵌入，而非单纯放大参数。
这个事实的工程含义是：选型时问“多少参数”基本无效，应当问“预训练数据的模态覆盖、时间跨度与位置编码方式”。
4.2 国内主线：从“平台 + 算法”转向“行业基座 + 智能体”
国内在基础模型层与国际前沿仍有差距，但在场景化落地与国产化整栈上形成差异化。2024—2026 年的公开进展可归为四条线：
| 机构 | 模型 / 平台 | 公开时间 | 关键公开信息 | 定位判断 |
|---|---|---|---|---|
| 中科院空天信息创新研究院 + 鹏城实验室 | 空天·灵眸 3.0 | 2024-09-21 | 公开表述为“全球首个百亿参数级空天一体遥感解译基础模型”；基于鹏城云脑 II、512 张昇腾 910、4 亿张国产化多模态样本预训练 | 国家队基座，2024 年成果，已非最新 |
| 武汉大学 | 珞珈·灵感大模型 | 2025-11 公开报道 | 28 亿参数；“人在闭环”人机协同；配套开源框架 LuojiaNET 与大规模样本库；已做国产化适配 | 学界基座 + 生态建设；同时直言国产遥感四类卡点 |
| 上海市规划和自然资源局 + 商汤 | 云宇星空大模型（专业版） | 2025-12-19 | 全国规划资源领域首个基础大模型，“1 个行业基座 + 6 个垂类模型”；五项能力“问不倒、能调图、会统计、能识图、会报告”；工程细节：超 20 万条微调语料、6 万条思维链数据、1 万条语料评测集、10 个专题领域语料加工、完成 MCP 服务改造与政务网部署、上线“星空 App” | 行业大模型的真实工程量级样板：语料十万级、评测集万级 |
| 自然资源部国土卫星遥感应用中心 | 自然资源·星智 SatAI V1.0 | 2025-08-26/27 | “应用就绪型遥感数据产品”+“遥感解译大模型与分析平台”，打通样本采集制作→模型训练→智能解译→指标分析→成果应用全流程；已在督察执法、临时用地监管、增减挂钩等业务应用 | 国家队平台而非国家队模型，属工程范式 |
| 航天宏图 | PIE-Engine 天权 | 2025-04-29 年报 | 新增航空航天 AI 模型 22 个（天权 10 + Patrol 12），累计 42 个，样本扩充至 50 万+；覆盖地物解译、目标检测、道路/水体提取、变化检测、超分、去雾、三维快速构建 | 以“模型个数”为口径的少见的公开披露 |
| 超图 | LIM 遥感解译大模型 + AgentX | 2025-06-24（GIS 2025）/ 2026-05-26（GIS 2026） | 2025 版“两新增、一提升”：新增 LLM 驱动多智能体架构（规划—执行—反思）与 MCP 支持；LIM2025 改进窄道路、河流提取与林地/草地/耕地区分；新增道路、光伏、SAR 水体、建筑物变化检测预训练模型与 4 倍超分模型 | 平台派的 AI 化路径 |
| 中地数码 | MapGIS 10.7 | 2025-07 公开材料 | 实现类 DeepSeek 的知识检索与推理，可自动撰写行业报告、归纳知识提问，新增知识库/应用/组件管理 | 知识图谱 + 行业模型库路线（原页已 404，见附录 D） |
这张表里最值得记录的细节，是云宇星空披露的语料量级：超 20 万条微调语料、6 万条思维链数据、1 万条评测集。这是一个省级行业大模型的真实投入规模，远低于宣传中的“海量数据”。它给所有准备做行业大模型的机构一个可参照的基准：真正决定效果的，是这十万级的高质量、专业化语料，而不是TB级的原始数据。
另一个必须标注的时效问题：空天·灵眸 3.0 发布于 2024 年 9 月，SenseEarth 3.0 发布于 2023 年 5 月。按本报告的时效规则，凡引用必须显式标注其年份。把它们当作“2026 年最新进展”是最常见的引用错误之一。
4.3 三条技术路线的分野：微调、特征、智能体
围绕基础模型，出现三条明显不同的工程路线，选择哪条直接决定项目成本结构：
| 路线 | 做法 | 优点 | 代价 | 适用场景 |
|---|---|---|---|---|
| 微调（Fine-tune） | 用本地标注数据做全参或 LoRA 微调 | 精度上限高、可控 | 需标注数据与算力，迭代周期长 | 任务明确、样本充足、长期使用 |
| 特征（Embedding） | 用预计算特征训练轻量分类器（随机森林/线性层） | 成本极低、迭代快、可解释性较好 | 精度受限于特征质量 | 快速试点、多任务并行、数据敏感不宜外传 |
| 智能体（Agent） | LLM 编排工具与模型，按任务动态组合 | 覆盖长尾任务、门槛低 | 稳定性与可验证性弱，成本不可预测 | 分析型、交互型、非高频标准化任务 |
现实建议是组合使用而非三选一：高频标准任务走微调，探索性任务走特征，交互与报告类任务走智能体。把三类任务都用同一条路线解决，是成本失控的常见原因。
4.4 训练与部署成本：门槛在两端同时变化
公开可核验的成本数字很少，但足以判断门槛：
| 环节 | 公开数字 | 含义 |
|---|---|---|
| Prithvi-EO-2.0 训练 | 80×A100 约 11 天 | 地面训练门槛在“数十卡到数百卡”量级 |
| 空天·灵眸 3.0 训练 | 512 张昇腾 910 + 鹏城云脑 II | 大模型训练是国家队级别投入 |
| 星载推理（JigonGPT） | 1.02B → 0.23B（压缩 77%），性能仅降 5.2%（BLEU-4 降至 39.91%），在轨运行超 100 天 | 部署门槛被模型压缩快速拉低 |
| TerraMind 边缘版 | tiny/small 版“无 GPU 笔记本可微调、可部署到星上” | 推理侧门槛快速下降 |
两头变化的结构性含义：训练仍是大资本游戏，但推理与微调正在平民化。这对中小机构的意义是——不必自己训练基座，但可以基于开源基座做垂直微调，成本已在可承受范围内。这也解释了为什么 2025—2026 年“行业微调模型”数量激增。
本章小结
- 2024—2026 年 GeoFM 已从零星概念验证变成多极供给的公共基线：Prithvi-EO-2.0（420 万条 HLS 时序、3 亿/6 亿参数、80×A100 约 11 天）、TerraMind（5000 亿 token，PANGAEA 上唯一以冻结编码器超过任务专用 U-Net）、OlmoEarth v1.3（128 维嵌入、训练 GPU 时间降至 v1 的 18%）都能查到技术细节与发布口径。
- 在地观测领域，参数规模与下游精度的相关性弱于 NLP：约 3 亿参数的 TerraMind 在统一协议下超过 20.6 亿参数的通用模型，Prithvi-EO-2.0 的 8% 提升主要来自时序与位置嵌入，而非单纯放大参数。
- 选型应问预训练数据的模态覆盖、时间跨度与位置编码；问“多少参数”基本无效。
- 国内形成差异化而非前沿领先：国家队基座、行业基座、平台派并存；云宇星空 20 万条微调语料加 6 万条思维链、1 万条评测集是省级行业大模型的真实量级参照，远低于宣传中的“海量数据”。
- 国内模型的年份必须显式标注：空天·灵眸 3.0 发布于 2024-09、SenseEarth 3.0 发布于 2023-05，把它们当作“2026 年最新进展”是最常见的引用错误之一。
- 三条路线应组合使用而非三选一：高频标准任务走微调、探索性任务走特征、交互与报告类走智能体；全部任务都用同一条路线，是成本失控的常见原因。
- 门槛在两端同时变化：训练仍是数十卡到数百卡乃至 512 张昇腾 910 的国家队级投入，推理与微调正在平民化——星载推理压缩 77%、性能仅降 5.2%，TerraMind 边缘版让无 GPU 笔记本可微调。
思考与练习
- 按 4.1 节表，为你单位一个任务选一个开源基座，写出你依据的三个字段（模态覆盖、时间跨度、许可），并说明为什么不看参数。
- 辨析：有人说“参数越大越好，直接选 20.6 亿的 SkySense”。用 4.1 节 PANGAEA 评测与 Prithvi 的提升来源反驳，并写出怎么选。
- 应用题：一个省级自然资源单位想做行业大模型，预算只够微调。按 4.2 节语料量级与 4.4 节成本表，写出语料、评测集与算力三项数量级建议。
- 结合数据敏感程度与标注量，按 4.3 节为你手上的三个任务分别选路线，并写出三条路线的成本结构差异。
- 你若要引用空天·灵眸 3.0，正确的引用写法是什么？缺少年份会造成什么误判？
- 用 4.4 节星载推理压缩与边缘版两个例子，说明部署门槛下降会给你的项目带来哪种新选项。