EO-WM：一个用于概率性地球观测预测的物理信息世界模型 EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting

EO-WM的完整方法步骤如下。第一步，数据准备和预处理：给定稀疏卫星观测$o_{1:T_{in}} \in \mathbb{R}^{C \times T \times H \times W}$和密集气象强迫$a_{1:L} \in \mathbb{R}^{C_a \times L \times H_a \times W_a}$，其中$C=4$是Sentinel-2波段数，$C_a=5$是气象通道数，$T_{in}=10$是上下文帧数，$T=30$是总帧数。第二步，气象强迫分解：对于每个地理瓦片$q$和日历月$m$，预计算月度气候学均值$\overline{a}_{q,m}$；对于卫星帧$i$，定义气候学基线$a^{clim}_i = \overline{a}_{q,m_i}$和天气异常$a^{anom}_i = a_{\ell_i} - \overline{a}_{q,m_i}$。第三步，累积压力计算：标准化异常字段$\tilde{a}$，计算热压力$S^{heat}_\ell(x) = \sum_{\tau=1}^\ell \text{ReLU}\tilde{a}^{temp}_\tau(x)$、水亏缺$S^{water}_\ell(x) = \sum_{\tau=1}^\ell \text{ReLU}(-\tilde{a}^{precip}_\tau(x))$和复合压力$S^{comp}_\ell(x) = S^{heat}_\ell(x) \cdot S^{water}_\ell(x)$。第四步，VAE编码：使用EO-VAE将多光谱输入编码到潜在空间$z_0 \in \mathbb{R}^{D \times T \times H' \times W'}$。第五步，扩散训练：采样流时间$r \in (0,1)$，形成噪声潜在$z_r$，计算目标速度$v^\star$，训练MMDiT预测$v_\theta(z_r, r; c)$，使用均方误差损失。第六步，条件路由：将时间步、地理空间元数据、辅助文本嵌入通过继承的MMDiT条件接口注入；气候学特征在输入令牌层添加一次；空间对齐条件收集到重新注入条件$c_{spatial} = c_{vis} + c_{dem} + c_{time} + c_{anom} + c_{stress}$，每四个双流块后重新注入视频令牌流。第七步，推理：使用无引导推理或异常CFG进行采样，对于随机生成模型，绘制多个预测并评估集合均值。

EO-WM的技术新颖性体现在三个层面。首先，物理信息分解和条件路由是首次在EO预测中明确区分气象强迫的不同物理角色，将气候学基线和异常通过不同路径注入，支持异常目标CFG，这超越了将气象变量视为单一条件通道的现有方法。其次，累积压力条件设计首次在EO预测中建模土地表面对持续热和干旱的敏感性，通过ReLU门只保留有害方向（温度正异常和降水负异常）并累积历史强迫，这捕捉了瞬时异常无法表示的长期效应。第三，条件路由和重新注入机制通过零初始化学习门周期性重新注入$c_{spatial}$，确保观测感知和强迫感知的空间信号在深度可用，这是轻量级但有效的机制，使主要物理创新（异常和累积压力条件设计）成为可能。与现有方法相比，EO-WM的新颖性在于将气象条件视为有结构的物理信号而非无差别的条件通道，以及评估强迫-响应保真度的基准测试设计。

EO-WM存在几个可以改进的弱点。首先，模型仅在EarthNet2021数据集上训练和测试，该数据集主要覆盖欧洲地区，泛化能力到其他地理区域（如热带、干旱地区）和气候制度未知。改进方向是在更多元地理区域的数据集上评估，包括不同植被类型和气候制度的地区。其次，模型假设气候学基线和异常的分离是充分的，但在复杂气候制度中可能存在更精细的物理结构，如季节内振荡、厄尔尼诺-南方振荡（ENSO）等大尺度气候模式。改进方向是引入更精细的气候学分解，包括这些大尺度模式作为额外条件。第三，累积压力设计使用简单的ReLU累积和乘法组合，可能无法捕捉更复杂的土地表面响应动态，如土壤湿度记忆效应、植被物候阶段依赖性。改进方向是使用更复杂的压力累积模型，如基于土壤水分平衡的物理模型或学习到的压力动力学。第四，模型计算密集，训练需要387M参数，推理需要多个采样（论文中使用5个样本）。改进方向是模型压缩、知识蒸馏或更高效的采样策略，以降低计算成本。

作者提出的未来工作方向包括结合卫星影像与地面台站测量，将一些未观测的隐藏状态（如土壤湿度）转化为已知条件，这可能提高预测精度并支持生态系统监测、作物生长预测和气候风险评估。基于论文成果可以延伸的方向包括：扩展到多年度或十年模拟，开发误差累积缓解机制和时变条件注入策略；整合高分辨率气象数据（如雷达降水、再分析数据）以捕捉小尺度气候现象；开发混合框架，结合物理模型（如水文模型、生态模型）和数据驱动模型，以更好地表示土地表面状态动力学；扩展到多模态预测，包括植被类型、作物产量、生态系统服务等多变量预测；开发不确定性量化方法，提供预测置信区间以支持高风险决策。

论文承诺模型和基准测试将在https://github.com/Luo-Z13/EO-WM开源，这将有利于复现。模型在EarthNet2021数据集上训练和测试，该数据集公开可用。训练需要387M参数的扩散模型，计算资源需求较高，可能需要多个GPU和数天训练时间。推理需要多个采样（论文中使用5个样本），计算成本也较高。模型实现基于MMDiT架构和流匹配训练，需要深度学习框架（如PyTorch）和扩散模型库支持。复现难度中等偏高，主要挑战在于计算资源需求和模型复杂性。详细实现细节（如超参数、训练脚本）将在附录或代码库中提供，这将有助于复现。消融实验和推理策略实验的全面报告增强了复现的信心。