遥感基础模型看起来能迁移到很多任务，但同一模型在不同波段、分辨率、时相和地区上的表现可能完全不同。若团队只比较一个综合榜单分数，就容易忽略传感器测量条件与业务风险。关于可扩展、可信 EO 基础模型的综述提出了更实用的原则：让模型选择、预训练、迁移和验证都回到物理观测与决策约束。
可核查事实
Scalable and Trustworthy Earth Observation Foundation Models 于 2026 年 7 月 8 日提交 arXiv，定位为在审的 Elsevier 书章预印本。论文指出，卫星和航空档案具有大规模、高重访和多模态特点，但可靠的地面标签仍很稀缺；因此 RSFM 不能脱离领域适配而可靠迁移。
作者将 EO 的特殊性归纳为传感器、光谱波段、空间分辨率、重访周期、大气校正、观测几何、地理定位、物理过程与部署不确定性。论文明确提醒：随机裁剪会删去地理上下文，RGB-only 预训练会丢失非可见波段，时间打乱会破坏物候或扰动信号。
综述列举 SatMAE、Scale-MAE、CROMA、SpectralGPT 等掩码或光谱预训练路线，也讨论 DOFA、AnySat、Copernicus-FMs、Prithvi-EO-2.0、Galileo、TerraMind、SkySense V2 和 AlphaEarth 等多模态或任意传感器方向。它同时引用 GEO-Bench-2 的证据：没有一个地理空间基础模型在全部任务上都占优，而权重、预训练配置和方差报告不一致会使比较困难。
论文区分分类基准与连续环境监测。叶绿素、生物量、积水深度、土壤水分、作物产量、毒素浓度、水温和养分风险更接近连续回归或时间预测；有害藻华模型不应只看 RMSE，还应检查是否能识别超过管理阈值的关键异常。
在高光谱案例 SpecTM 中，作者主张把诊断波段作为有物理意义的掩码对象：水质模型可关注色素敏感区，矿物模型可关注吸收特征，植被模型可关注红边和短波红外。预训练编码器被冻结后接可训练 MLP，用于预测 8 天后的微囊藻毒素浓度。
另一个 PiCSRL 案例将强化学习用于自适应环境监测站选择。论文强调，对作物应采用跨年与跨区域留出；洪水制图应采用事件级留出；有害藻华应采用站点—时间与季节级留出。元数据如采集日期、传感器、波长、太阳/观测角、云标记、大气校正级别、产品版本、地面采样距离和位置，也应进入模型或验证记录。
核心机制
“基础”不代表可跳过输入合同。掩码、对比或多模态预训练学到什么，取决于哪些波段、时相和空间关系被保留；迁移是否可信，取决于新场景的传感器响应、尺度和物理过程是否落在已验证范围。把元数据、阈值和留出规则写入合同，才能区分真正的泛化与泄漏了地点、季节或处理流程的高分。
GIS 场景
水环境、洪水、农业和生态监测可以将 RSFM 输出作为候选连续图层或异常优先级，而不是直接作为告警、执法或调度决定。每次发布应回链传感器与产品版本、波段映射、时相、校正级别、模型与提示配置、训练/留出区域、阈值、置信度和人工复核。若输出跨越管理阈值，必须增加独立观测或人工确认。
技术路径
- 建立传感器、波段、分辨率、观测几何、大气校正和产品版本的输入合同。
- 依据业务物理过程设计预训练：保留诊断波段、时序和空间上下文，避免把通用 RGB 假设直接移植。
- 按事件、地区、年份、站点和传感器建立独立留出集，并报告各层性能与方差。
- 同时报连续误差、阈值越界灵敏度、校准度、缺测覆盖和地理外推表现。
- 将候选图层、阈值、证据与人工结论分层保存，发生模型或数据更新时重新验收。
检查清单
- 是否保存完整的传感器和处理元数据。
- 是否按任务物理过程而非单一榜单选择模型。
- 是否有事件、跨年、跨区或站点—时间独立留出。
- 是否同时评估连续误差与业务阈值风险。
- 是否把模型结果与权威观测、人工审核和正式发布分开。
风险边界
本文是设计原则综述与案例说明，不提供某一模型在本地的性能保证。跨传感器波段、再处理版本、云量和地表变化都会改变迁移结果；“物理合理”也不能替代现场采样或监管规定。高影响环境决策应保持可回溯证据、独立复核与更正机制。
结论
可信的遥感基础模型不是榜单最高的模型，而是能在明确的传感器条件、物理过程、留出设计和业务阈值下稳定交代证据的模型。把这些条件变成 GIS 验收合同，才能让基础模型真正服务环境决策。