在三个大洲的物候和地理分布偏移下，Prithvi作物分类基础模型的可迁移性与运行可靠性

arXiv:2610.08810v1 公告类型：new 摘要：研究表明，在大型卫星档案上预训练并经过微调的地理空间基础模型（GeoFMs）能够提高作物分类精度和地理迁移能力。然而，这些模型超出训练分布后的运行表现仍缺乏充分刻画。我们评估了广泛采用的GeoFM [Prithvi-EO-2.0]在三个大洲、12个国家的37个事件中的分布外表现，并使用区域参考产品进行了验证。结果显示，平均总体精度（OA）从美国的0.65降至欧洲的0.40。除精度指标外，我们还评估了模型性能的五个关键方面：模型置信度是否能够指示信号失效、对观测时间窗口的敏感性、类别体系粗化的影响，以及对波段缺失和云及阴影污染的鲁棒性。当观测时间窗口与当地作物物候期不匹配时，精度会崩溃，而确定性置信度仍然很高。在八组配对事件中的七组中，预期校准误差有所增加；在每个受影响场景中，有12%至51%的区域被模型以高置信度错误标注，而此时精确率接近于零。蒙特卡洛dropout熵在全部八组事件中都检测到了这种偏移，表明表面上的跨大陆性能下降，很大程度上反映的是物候错配，而非空间迁移。无需重新训练即可通过两项调整恢复精度。根据模型的主要混淆情况，将13个类别合并为10个类别，使平均OA提高了8.4个百分点。将时间窗口压缩至接近实时应用，在45至90天的平台期内仍能保持精度，并在约75天时达到峰值；不过，短于30天的窗口比该平台期低约0.11。因此，经过微调的作物GeoFMs只有在观测时间窗口与当地生长季相匹配时，才能实现有效迁移。我们将这些发现转化为已发布模型可靠部署的运行指南。