导语：卫星遥感正在从“获取影像、人工解译”迈向“多源感知、智能理解与快速决策”。截至2026年8月，地球观测人工智能的重点已不再局限于单一目标识别，而是转向能够复用、迁移并处理多时相数据的基础模型。光学、合成孔径雷达、激光雷达、气象再分析和地理信息被纳入统一框架，使农业、灾害、生态与城市监测获得更高效的技术底座。
从任务模型走向地球观测基础模型
传统遥感AI通常围绕土地分类、建筑提取或水体识别分别训练，模型依赖大量人工标注，换地区、换季节或换传感器后还可能需要重新适配。新一代地球观测基础模型则先从海量未标注数据中学习通用时空特征，再通过少量样本微调到具体任务，从而提高模型复用能力。这种路线特别适合数据规模巨大、标注成本高且传感器类型复杂的遥感场景。
NASA、IBM与于利希超级计算中心合作开发的Prithvi是这一方向的代表。其扩展版本使用全球化的协调Landsat与Sentinel-2数据进行预训练，可用于土地利用变化、灾害监测和作物分析。NASA还与多所高校围绕洪水识别、作物制图和生态系统动态开展应用合作，说明基础模型正在由实验室基准测试逐步进入真实科研流程。参见NASA项目介绍[1]与应用合作说明[2]。
多模态融合成为核心突破口
单一光学影像容易受到云层、夜间条件和成像周期影响，而雷达能够在多云地区提供补充观测，激光雷达可以描述植被垂直结构，气候与地形数据则有助于解释地表变化原因。因此，最新模型越来越强调跨传感器、跨分辨率和跨时间融合，而不是只把卫星图像当作普通照片处理。
Google DeepMind发布的AlphaEarth Foundations将多种地球观测信息转化为统一的空间“嵌入”，并通过Google Earth Engine提供年度卫星嵌入数据集。用户可将这些特征用于分类、变化检测、相似区域检索和环境参数估计，减少从原始影像反复构建处理链的工作量。目前展示的应用包括未测绘生态系统分类、农业变化分析、森林保护和水资源研究。相关信息可查阅AlphaEarth官方介绍[3]。
应用正在从“事后制图”转向快速响应
农业与生态监测
基础模型能够联合分析作物生长周期、地表覆盖与气象背景，用较少的地方样本识别作物类型、异常长势及土地利用变化。在生态领域，AI可辅助绘制红树林、森林、湿地和沿海生境，并持续比较不同时期的观测结果。其价值并非取代地面调查，而是帮助研究人员更快筛选重点区域，把有限的调查资源投入高风险地点。
灾害识别与在轨智能
洪水范围、火烧迹地、滑坡和风暴损失识别对时效要求很高。2026年，Prithvi的压缩版本已在Kanyini卫星和国际空间站相关载荷上开展在轨演示，用于洪水与云层检测。模型在卫星端先筛选或分析数据，可减少无效影像下传，并为灾害响应争取时间。这代表地球观测AI正从地面数据中心向“星上计算—链路传输—地面决策”协同发展。参见NASA在轨演示说明[4]。
城市治理与自然资源管理
对连续时序影像进行分析，可以发现新增建筑、道路扩张、水库变化和采矿扰动。相比只提供一张分类图，模型更重要的能力是回答“哪里发生了变化、变化从何时开始、是否持续扩大”。如果再与规划边界、人口和地面传感器结合，遥感结果就能从信息产品升级为巡查排序、风险预警和政策评估工具。
模型正在变得更开放、更灵活
开放模型、开放数据和标准化评测是当前的重要趋势。ESA介绍的Tessera利用Sentinel-1与Sentinel-2数据生成紧凑特征，可支持农作物、火烧区域和森林冠层制图；THOR则尝试统一处理Sentinel系列中不同传感器与地面分辨率的数据，缓解固定输入尺寸和固定模态带来的部署限制。详见ESA关于Tessera的说明[5]及THOR项目介绍[6]。
落地仍需跨越三道门槛
- 可靠性：云影、季节差异、传感器偏差和训练样本分布都可能影响结果，重要决策必须保留人工复核与现场验证。
- 可解释性：模型不仅要给出类别，还应提供数据来源、时间范围、置信度和不确定性，避免把相关性误当作因果关系。
- 工程成本：基础模型降低了重复训练门槛，但数据预处理、算力、版本管理和业务系统集成仍需要稳定的工程能力。
总结
AI卫星遥感的最新进展可以概括为四个方向：从专用模型走向通用基础模型，从单幅光学影像走向多模态时序融合，从地面离线分析走向星上智能处理，从科研演示走向农业、灾害、生态和城市治理应用。未来竞争的关键不会只是模型参数规模，而是谁能建立可信的数据链、评测体系和业务闭环。对实际使用者而言，最稳妥的路径是从问题明确、验证条件充分的小场景切入，在持续对比地面数据的基础上逐步扩大应用范围。
