Khả năng chuyển đổi và độ tin cậy vận hành của foundation model Prithvi phân loại cây trồng dưới sự thay đổi về vật hậu và địa lý trên ba châu lục

Các geospatial foundation model (GeoFM) được fine-tune và huấn luyện trước trên kho dữ liệu vệ tinh khổng lồ đã cho thấy khả năng cải thiện độ chính xác khi phân loại cây trồng và khả năng chuyển đổi địa lý. Tuy nhiên, hiệu suất vận hành của chúng ngoài phạm vi phân phối huấn luyện vẫn chưa được mô tả đầy đủ. Chúng tôi đã đánh giá hiệu suất ngoài phân phối của một GeoFM phổ biến là Prithvi-EO-2.0 qua 37 sự kiện tại 12 quốc gia trên ba châu lục, đồng thời đối chiếu với các sản phẩm tham chiếu khu vực. Kết quả cho thấy độ chính xác tổng thể (OA) trung bình giảm từ 0,65 tại United States xuống còn 0,40 tại châu Âu. Ngoài các chỉ số chính xác, chúng tôi còn đánh giá năm khía cạnh chính về hiệu suất mô hình: liệu độ tin cậy của mô hình có chỉ ra lỗi tín hiệu hay không, độ nhạy với cửa sổ quan sát, tác động của việc đơn giản hóa sơ đồ phân loại, và khả năng chống chịu với việc mất dải tần cũng như nhiễu do mây và bóng râm. Độ chính xác sụt giảm mạnh khi cửa sổ quan sát không khớp với chu kỳ sinh trưởng của cây trồng địa phương, trong khi độ tin cậy xác định vẫn ở mức cao. Sai số hiệu chuẩn kỳ vọng tăng lên ở 7 trên 8 sự kiện theo cặp, và 12-51% diện tích mỗi cảnh bị ảnh hưởng đã bị dán nhãn sai một cách tự tin với độ chính xác gần như bằng không.