Prithvi-EO-2.0遥感模型：平均90.98%准确率下藏着多大偏差？

有个说法你可能听过：某个AI模型在标准测试集上拿了90%的高分，大伙都夸它强。可很少有人接着问一句——这90%里头，有没有哪块地方是模型压根放弃了的？

这不是假想。2026年的一篇论文里，研究者盯上了一个叫Prithvi-EO-2.0的遥感大模型。在m-EuroSAT这个土地分类任务上，它交出90.98%的总体准确率，数字看着挺体面。但把测试数据按生态环境归组之后，最差的那组只剩83.72%。农作物类型分割任务上的落差更扎眼：总体mIoU（衡量分割准确度的指标，数值越高，预测区域和真实区域重合得越好）是27.30%，可到了干旱和矿质地表这类地区，直接掉到18.47%。

前后差了将近9个百分点。落到实际应用里是什么概念？假如你所在的机构正用这类模型监测全球农田，模型在温带草原上表现亮眼，一跑到中亚荒漠边缘就开始大面积误判。而你可能根本蒙在鼓里——没人提醒过你，平均分底下埋着这么深的沟。

核心问题：平均分能骗人

论文要处理的问题，说白了很朴素：评价一个遥感AI模型行不行，眼下大家基本只盯一个总分。

遥感基础模型*：靠海量卫星图像预训练出来的通用AI模型，训练完成后可以“借”去做各种具体任务，比如识别农田、监测洪水、分类地表植被，不必每次都从零训起。

这类模型眼下很吃香。SatMAE、Prithvi-EO-2.0、DOFA这些名字背后，都是拿几亿甚至十几亿张卫星图片喂出来的大家伙。学界已经备好了GEO-Bench这样的标准化测试集，给出一堆分类和分割任务，模型跑一遍，报个总体准确率或者mIoU，论文一发，就算交差。

问题在于，地球表面压根不是均匀的。

同样一块“草地”，长在地中海气候区和长在热带稀树草原，光谱特征、季节变化、连摄像头拍下来的颜色分布都可能对不上。一个模型要是训练数据里塞满了温带森林样本、沙漠边缘的却见得很少，它在前面表现好、在后面表现差，几乎是必然的。可总分这个数字会把两边的差异彻底抹平——好比给全班算平均分，却不看有没有人回回考倒数第一。

论文由此提出一个核心概念，叫生物群落偏差。

生物群落*：指大尺度的生态区域，像热带雨林、温带草原、苔原、荒漠，这些地方气候、植被和环境条件相近，是生态学给地球表层分类的一种方式。

生物群落偏差*：指同一个AI模型在不同生态区域上出现系统性差异，也就是模型在某些生态环境里稳定地比在另一些环境里差。

要是不专门去测这种偏差，会怎样？你会把一个“看着很厉害”的模型部署去做全球监测，却不知道它在某些大洲的某些地区其实是半瞎的。这不是纸面上的担心，论文给出的具体数字已经说明问题真实存在。

第一步：给地球的每个角落贴标签

想测这种偏差，头一件事是搞清楚每个样本来自哪片生态区域。

研究者用了一份叫RESOLVE的全球陆地生态区数据库，它把地球陆地切成14种地形生物群落，热带雨林、苔原、荒漠都在里面。每张卫星图像样本都带经纬度坐标，研究者算出图像块的中心点，再拿这个坐标去查生态地图，确定这块地属于哪种生物群落。

麻烦也在这儿。14种分得太细，不少下游数据集里某些生物群落的样本少得可怜，比如某个测试集里某类地形只有14张图片。样本量这么小，单独拿来算准确率波动极大，根本撑不起稳定的结论。

为此，论文提出一种分两级的归组办法：样本先被准确划入14种细分生物群落，这14种随后又归并为6个范围更大的生态宏观组。这6组依次对应常年生物量偏高的区域（热带雨林是典型）、季节波动明显的森林、处在过渡地带的草原灌丛、气温低且生长周期短的地区（苔原、高山草甸属于这一类）、干旱且地表多矿物的地带（比如沙漠），以及靠水文过程调节的生态系统（红树林、洪泛草原即属此类）。

这个思路，其实很像人口普查时的分层抽样。

做一次全国民意调查，如果直接按省份分组发问卷，有些省份人口太少，样本撑不住结论。统计学家通常会把人口结构相近的省份并成几个大区再分析，地域差异的信息留住了，样本太少导致的荒唐结论也避开了。论文把14种生物群落做宏观合并，逻辑一模一样：硬拿全部14类当分析单位，很多类里样本只有几十个，算出来的“组内准确率”本身就不可信，反倒会误导决策者。并成6大类之后，生态学意义上的关键区分还在，每组的样本量也够得上统计意义。

第二步：冻住大模型，只看它暴露了什么

分组方法有了，下一步是测模型表现。论文在这里做了一个关键选择，叫冻结骨干网络评估协议。

冻结骨干网络*：指下游任务训练时完全不更新预训练模型本身的参数，只在外面接一个很小的分类头或分割解码器去训练，预训练部分始终不动。

为什么这么干？论文想干净地比较模型自身的表示能力有没有偏差，而不是让“后续微调能不能补回来”搅浑水。要是允许整个模型跟着任务一起微调，哪怕原始预训练阶段存在严重的生态偏见，只要下游数据够多，模型多少能被“掰”回来一些——这样一来，预训练阶段到底埋了什么雷，你就测不出来了。

论文挑了三款有代表性的遥感基础模型做横向对照：Prithvi-EO-2.0 是 3 亿参数的时空 Transformer，SatMAE 是 3 亿参数的视觉 Transformer，DOFA 则只有 8600 万参数、支持动态波长输入。四个任务上，每个模型各跑三次，随机种子都不同，为的是排除运气成分对结论的干扰。

四个任务里有三个出自 GEO-Bench 标准测试集：单标签分类 m-EuroSAT，判断一块地属于什么土地类型；多标签分类 m-BigEarthNet，同一块地可以同时归入多个类别；作物类型分割 m-SA-Crop-Type，在像素级别判断每块地种的是什么作物。第四个数据集由研究者自己搭建，名为 MMEarth20K，按“反向频率加权”的思路刻意让水文调节型生态系统这类稀有生态区域占到 6%，而在原始数据里，这类地区占比要低得多，真实世界中几乎被忽略不计。

**结果：平均分之下的裂缝**

数字一摆出来，问题比预想的更扎眼。

相对简单的 m-EuroSAT 上，Prithvi-EO-2.0 总体 macro-F1 为 90.98%，可最差的那个生态组——高生物量地区，测试样本仅 25 个——只拿到 83.72%。7 个百分点的落差意味着，在这些地区模型出错的概率比别处高出近一半。

m-BigEarthNet 多标签分类的差距拉得更大：总体 F1@opt 为 60.09%，最差组是过渡性草原灌丛地区，仅 46.12%，整整相差 14 个百分点。

作物分割任务 m-SA-Crop-Type 的落差最刺眼。总体 mIoU 为 27.30%，干旱矿质地表那一组只有 18.47%，相差近 9 个百分点。换句话说，在这些地区，模型漏判、错判作物类型的比例远高于其他地方。

把这些数字并排放在一起，指向同一件事：无论哪种任务、哪个模型，只要按生态组拆开看，偏差就存在。而且这不是某一款模型的专属毛病，Prithvi-EO-2.0、SatMAE、DOFA 三种架构全部中招，区别只在于程度轻重和具体落在哪个生态组上。

好比一家连锁餐厅对外宣称“全国平均好评率 95%”，城市门店确实好评如潮，偏远小镇门店却投诉不断。平均分本身没说谎，它只是把那些真正该被看见的角落盖住了。

**怎么修：三种药方各有代价**

诊断出问题后，论文没有停在这一步，又试了三种缓解手段。三者遵循同一条约束：预训练模型本身不动，只在外层做文章。

第一种叫动态生物群落重加权，简称 DBR。

动态生物群落重加权*：训练全程盯着每个生态组在验证集上的表现，哪组差就调高它在损失函数里的权重，哪组好就调低，隔一段时间重新评估一轮，像一架来回调平衡的跷跷板。

逻辑很直白：哪个组考得差，就多逼模型在哪个组上下功夫。但论文的消融实验表明，这个“用力程度”得拿捏准。调节力度（论文中称为 α）一旦调得太大，比如到 0.8，最差组的表现反而从 84.35% 掉到 82.38%，整体还更不稳定。这跟家长逼孩子补习一个道理：力度合适能查漏补缺，逼过头就适得其反，连原本擅长的科目也可能跟着出问题。

第二种叫生物群落正交线性探测，简称 BOLP。

生物群落正交线性探测*：先算出每个生态组在模型内部表示空间中的“平均位置”，再找出组与组之间差异最大的几个方向，把这些方向从每个样本的表示里“投影掉”。效果等于主动抹去与生态分组强相关的信息，只留跟任务本身相关的内容，再拿去训练任务头。

这个思路乍听有点反直觉：故意丢信息，模型反而更稳？实验结果确实支持。在 m-BigEarthNet 上，BOLP 把 Prithvi-EO-2.0 的最差组 F1 从 46.12% 提到 50.27%，整体 F1 也从 60.09% 升到 62.75%。

就像面试官发现自己总不自觉偏爱某种口音或穿衣风格的候选人，索性先把简历上能暴露这些信息的部分遮住，只留跟岗位能力真正相关的内容再判断。遮掉的东西若真与能力无关，判断反而更公平。可不遮会怎样？论文里就有反面案例：在 MMEarth20K 这个密集分割任务上，BOLP 把总体 mIoU 从 47.99% 拉低到 43.31%，最差组分数也跟着降。原因可能在于，像素级分割任务中，生态环境本身的视觉特征（植被密度、地表反照率等）并非无关的“噪声”，恰恰是帮模型判断像素类别的重要线索，硬抹掉会把有用信息一起扔掉。

第三种是 GroupDRO（组分布鲁棒优化），学界已有方法，核心是在训练时专门对损失最大的组加重惩罚，逼模型在最难的组上也不能摆烂。在 m-EuroSAT 上，它把最差组的 NFR（归一化失败范围，衡量组间差距的相对大小，数值越小越均衡）压到 5.67%，三种方法里表现最稳。

三种方法摆在一起比，论文给出一个不算讨喜却诚实的结论：没有任何一种方法能在所有模型、所有任务上稳赢。

换到分割任务上，某些在分类里见效很快的做法反而会拖后腿；同样一种方法，放在某个模型架构上很顺手，架构一换，表现就一般了。医学里也有类似的情况：一样的药，不同病人吃下去反应并不相同。说到底，没有什么万能药，只能看具体场景做取舍。

**不完美的地方，论文自己也承认**

这篇论文没把自己包装成完美方案，反倒专门列了一节讲局限性，这一点挺值得尊重。

比如生态区域的标注是按图像块中心点判断的，一块地若正好横跨两种生态区（比如森林和草原的过渡地带），这种“一刀切”的标注方式必然带噪声。论文也承认，这只是一套“一致的分组规则”，不是像素级精确的生态地图。

也不是每个数据集都把6个宏观生态组占全，有些测试集里某个组只落到十几个样本，这么小的样本量算出的“最差组分数”本身就带波动，很难当成铁律。

论文还坦言，生物群落偏差只算地理偏见问题的一个侧面。传感器差异、地理分布不均、空间分辨率差异、拍摄时间差异，这些因素带来的偏差，这套框架都没有覆盖。说白了，它更像针对某一项指标的专项检查，而不是一次“全面体检”。

**写在后面**

读这篇论文，那些具体的百分点差距倒没怎么触动我。真正让我在意的是一个更基础的问题：眼下评价AI模型的办法，本身就偏向“平均主义”，总分够高就算过关，很少有人追问这个总分究竟是怎么凑出来的。

很多年前教育领域就为“用平均分还是用及格率评价一个班级”吵过，逻辑与此类似。后来大家慢慢明白，只看平均分会盖住两极分化：一个班一半人考100分、一半人考50分，平均分75，看着还行，其实问题很大。AI模型评估走到今天，似乎也在经历同样的认知升级，从“总分崇拜”转向“分布意识”。

有个细节值得单独拎出来说。论文里那个刻意构造的MMEarth20K数据集，按反向频率给稀有生态组多分了配额（从28%到6%的梯度分布），等于人为造出一个“长尾但没那么极端”的测试环境，专门看模型会不会在小众场景里直接崩掉。这种“故意给冷门场景留测试空间”的路子，和不少产品做无障碍设计测试时的思路挺像：不是等用户抱怨了才修，而是先假设某些场景一定会被忽略，再主动去验证这个假设对不对。

那下一个问题就来了：连遥感AI模型都有这种被平均分盖住的地域偏差，我们每天在用的语言、人脸相关AI系统，会不会也藏着类似的裂缝，只是还没想到该按什么去分组测量？

Q&A

Q1：FairRSFM是什么？

A：FairRSFM是一套评测框架，专门检测遥感AI大模型在不同生态区域（雨林、沙漠、草原等）表现是否一致，用意是揭露被总体平均分盖住的地区性偏差。

Q2：为什么模型总分很高，却在某些地区表现很差？

A：总体平均分把表现好和表现差的区域混在一起算，差异就被盖住了。论文发现Prithvi-EO-2.0模型总体准确率90.98%，最差生态组只有83.72%，这个差距被平均分藏了起来。

Q3：论文提出的修复方法管用吗？

A：DBR、BOLP、GroupDRO三种方法各有各的效果，但没有一种能在所有模型和任务上都稳赢。比如BOLP在分类任务上能抬升最差组表现，到了像素级分割任务上反而会让效果变差。