由香港大学与武汉大学联合研发的香港系统前沿研究，以预印本形式于2026年6月发布（论文编号：arXiv:2606.27277）。大学大学打造该研究提出了一种名为EO-WM（Earth Observation World Model）的武汉卫星创新系统，旨在突破传统卫星图像分析的联手局限，实现从“记录当下”到“预测未来”的图像跨越。感兴趣的预测技术专家可通过上述编号查阅完整论文。

当智能手机屏幕亮起时，香港系统数百颗卫星正持续捕捉地球表面的大学大学打造影像。这些影像不仅是武汉卫星风景记录，更是联手农业监测、气候追踪及灾害预警的图像核心数据源。然而，预测仅凭静态影像无法应对突发危机。香港系统若能提前数月预测地表变化，大学大学打造我们便能在干旱摧毁农田前预警，武汉卫星在森林大火爆发前评估风险，在粮食减产前优化政策。

这项技术被称为“地球观测预测”，其核心愿景是为卫星图像赋予“时光机”功能。但这并非简单的图像插值，而是一个极具挑战性的科学难题。

一、 核心挑战：部分可观测与天气驱动的世界建模

研究团队将这一难题类比为一位园艺师的困境：面对断续的草地照片和未来的天气预报，如何预测盛夏的草地状态？由于土壤湿度、植被品种等“隐藏变量”的存在，即便天气相同，结果也可能截然不同。这构成了“部分可观测、天气驱动的世界建模问题”。

为此，团队提出了EO-WM系统。其核心创新在于：
1. 重构问题范式：将卫星图像预测转化为“世界模型”问题，要求模型像理解游戏规则一样理解天气规律，而非仅仅生成美观图像。
2. 引入因果评测：建立全新标准，检验模型是否真正理解天气与地表间的因果关系，而非仅追求视觉相似度。

1.1 卫星预测的两大固有难题

• 稀疏观测与数据缺失：以Sentinel-2卫星为例，重访周期约为5天，且云层遮挡导致数据大量缺失。这种“断点式”观测要求模型从碎片化信息中重构连续的地表演变故事。
• 隐藏变量与不确定性：天气虽驱动地表变化，但土壤湿度、地下水位等不可见变量显著影响响应结果。因此，预测不应是单一确定值，而应是“概率性分布”，反映不同结果的可能性。

1.2 现有技术的局限性

• 确定性模型（如Earthformer）：虽精度较高，但倾向于给出“平均化”答案，系统性低估极端事件的幅度，缺乏对不确定性的表达。
• 生成式扩散模型：虽能生成多种可能，但常将天气视为普通信号，未能区分“季节性常态”与“极端异常”，导致对极端气候事件的感知能力不足。

EO-WM的突破在于：既保留了概率性预测能力，又针对天气物理结构设计了更智能的处理机制。

二、 技术创新：物理信息条件框架（天气信号拆解）

EO-WM的核心在于一套“物理信息条件框架”，借鉴厨师品鉴食物的逻辑，将天气信号拆解为三个独立且互补的层次，分别注入模型：

2.1 第一层：气候基线（Climate Baseline）

• 定义：特定地理位置和月份的历史长期平均天气值（如法国七月平均气温）。
• 作用：提供稳定的季节性背景知识，告诉模型“此时此地通常的气候状态”。
• 注入方式：静态注入，仅计算一次。

2.2 第二层：天气异常（Weather Anomaly）

• 定义：实际观测天气与气候基线的偏差（如七月气温高出平均值5度）。
• 作用：捕捉当前的异常状态，保留完整空间分布信息，随时间动态更新。
• 注入方式：动态注入，反映“当前偏离正常状态的程度”。

2.3 第三层：累积物理压力（Cumulative Physical Pressure）

• 定义：植被对极端天气的反应具有滞后性和累积性。该层指标量化了这种长期压力：
• 热压力：正温度异常的累计值（仅统计高温天数，使用ReLU操作实现单向累积）。
• 水分亏缺：负降水异常的累计值（仅统计干旱天数）。
• 复合压力：热压力与水分亏缺的乘积，捕捉“高温+干旱”的双重打击效应。
• 作用：揭示“异常持续了多久”及“累积破坏力”，使模型能预测植被的临界崩溃点。
• 注入方式：标准化后转化为特征向量，注入空间条件通道。

三、 系统架构：EO-WM的“大脑”设计

EO-WM基于潜在扩散模型（Latent Diffusion Model）架构，通过以下组件实现高效预测：

3.1 核心组件

1. EO-VAE（地球观测变分自编码器）：
2. 专为多光谱卫星图像（蓝、绿、红、近红外波段）定制。
3. 将高维图像压缩至紧凑的潜在空间，保留核心信息并提升计算效率。
4. 基于EarthNet2021数据集微调，适应卫星图像统计特性。
5. MMDiT（多模态扩散变换器）：
6. 拥有3.87亿参数，采用流匹配（Flow Matching）训练，优化生成路径，提高效率。
7. 在EarthNet2021数据集上从零训练。

3.2 工作流程

1. 编码：过去10帧卫星图像编码为视觉潜在特征。
2. 条件注入：气候基线、天气异常、累积压力特征，以及地形数据（DEM）和时空元数据，通过各自通道注入模型。
3. 生成：模型在扩散过程中逐步生成未来20帧图像的潜在表示。
4. 解码：EO-VAE将潜在表示还原为多光谱图像。

3.3 关键工程优化

• 深度条件注入机制：为解决深层网络中条件信号淡化问题，设计周期性重注入策略（每4个双流注意力块重注入一次），并采用零初始化门控，确保信号强度贯穿整个生成过程。
• 异常分类器无关引导（CFG）：
• 训练策略：随机丢弃15%的天气异常信号，增强模型鲁棒性。
• 推理策略：通过放大“有/无异常信号”的预测差异，提升模型对极端天气的敏感度。用户可通过调节系数平衡“极端事件预警灵敏度”与“图像视觉质量”。

四、 评测创新：打造两把专用“测量尺”

研究团队认为，传统图像质量指标（如PSNR/SSIM）无法评估模型对天气驱动关系的理解。为此，设计了两个诊断性基准：

4.1 极端夏季基准（Extreme Summer Benchmark）

• 数据源：2018年欧洲热浪/干旱事件的卫星数据。
• 筛选标准：从EarthNet2021中筛选1440个30帧窗口，前10帧为健康植被，后20帧覆盖植被衰退期。
• 核心指标：
• TN-MAE：预测谷值NDVI与真实谷值之差，衡量“枯死程度”预测精度。
• DAE：预测下降幅度与真实下降幅度之差，衡量“变化剧烈程度”预测能力。

4.2 季节匹配对基准（Seasonal Matched Pair Benchmark）

• 设计逻辑：控制变量法。选取同一地点、同一季节、不同年份的配对序列（共422对），唯一变量为天气条件。
• 核心指标：
• DRR（散度再现比）：预测曲线分离度与真实分离度的比值，理想值为1。
• DHR（方向命中率）：预测的高低方向与实际是否一致。
• PDC（配对散度相关性）：真实差异大的配对，模型是否也预测出较大差异。
• 意义：直接检验模型是否掌握“天气导致地表变化”的因果逻辑。

五、 实验结果：概率性模型在极端事件中的优势

5.1 极端事件预测能力

• 确定性模型缺陷：Earthformer等模型在低严重程度事件中表现尚可，但在高严重程度事件中，DAE显著升高（高严重度DAE为0.3084，比低严重度高40%），显示其系统性低估极端风险。
• EO-WM优势：
• 在极端夏季基准的TN-MAE和DAE指标上，EO-WM在所有严重程度档次均取得最佳成绩（高严重度DAE为0.2372，显著优于对比模型）。
• 在极端事件检测率上，EO-WM（约0.83）远超Earthformer（约0.40），能捕捉早期微弱信号。

5.2 天气响应因果性验证

• 在季节匹配对基准中，大多数确定性模型的DHR徘徊在0.49-0.56（接近随机猜测），表明其对天气变化缺乏系统性响应。
• EO-WM的DHR达到0.6522，PDC达到0.2942，均为最高，证明其真正理解了天气驱动的地表变化规律。

5.3 消融实验与策略优化

• 组件贡献：
• 基准模型（原始天气输入）：DAE 0.2459, DHR 0.6127。
• +气候-异常分解：DAE降至0.2367, DHR升至0.6247。
• +累积物理压力：DAE进一步降至0.2330, DHR升至0.6522。验证了“累积效应”对预测植被响应的关键作用。
• 推理策略：
• 增加集成样本数量可提升像素重建质量，但可能降低PDC（因平均化抹平差异）。
• 增大CFG引导系数可提升DRR（更接近1.0），增强极端事件敏感性，但需权衡图像质量。

六、 局限性与未来展望

6.1 当前局限

• 时间尺度：目前针对“季节性时间窗口”（数月尺度）优化。扩展至多年/十年尺度面临误差累积和气候基线失效的挑战。
• 隐藏变量：土壤湿度、地下水位、植被品种等无法通过卫星直接观测，仍是预测盲区。

6.2 未来方向

• 多源数据融合：结合地面气象站数据，将“隐藏状态”转化为已知条件，提升精度。
• 应用场景：生态系统健康监测、农业产量预测、气候风险评估。
• 风险提示：需审慎使用，避免在农业保险、灾害应急等高敏感决策中因过度依赖而产生误判。

6.3 核心价值

EO-WM的真正意义在于问题框架的转变：从“预测下一帧图像长什么样”（图像生成）转向“在这种天气条件下，土地最可能经历什么变化”（物理世界建模）。这标志着卫星数据分析从“看天”向“懂天”的进化。

Q&A

Q1：EO-WM的“累积物理压力”指标和普通天气预报数据有什么区别？
A：普通天气预报记录的是单日即时数值（如当日气温），而EO-WM的累积物理压力指标是对“超出正常范围”的部分进行时间累加。例如，热压力会叠加连续多天的高温偏差，反映植被承受的持续热量负荷。这一区别至关重要，因为植被对干旱或高温的反应通常是累积过程，而非单日极值的即时反应。

Q2：季节匹配对基准测试为什么要配对同一地点不同年份的数据？
A：该测试旨在验证模型是否掌握“天气导致地面变化”的因果关系。通过固定地点和季节（控制地理和物候变量），仅改变年份（即改变天气条件），如同科学实验中的控制变量法。若模型真正理解天气驱动，输入炎热干燥年份的天气应预测出更差的植被状态。这比单纯评估图像相似度更能揭示模型对因果逻辑的理解能力。

Q3：EO-WM的气候基线和天气异常是如何分离计算的？
A：研究团队为数据集中每个地理区块和日历月份预先计算长期平均天气值（含气温、降水等5个变量），作为气候基线。实际观测值减去基值得到天气异常。基线作为静态背景知识仅注入一次，异常作为动态偏差信号随时间步更新。二者通过不同通道注入，使模型能区分“正常季节性炎热”与“异常极端高温”。