遥感时序模型最常见的失真，不一定来自网络结构，而来自训练样本怎样跨空间和时间被抽取。TorchGeo 0.10.0 的官方发布说明把完整时序支持、空间/时间采样器重构、PyTorch batch 统一和下载校验放进同一版本。对做作物分类、变化检测和时空分割的团队，这意味着升级不应只跑通 notebook，而要重新核验样本单位、时间窗口、划分方式和数据供应链。

本文依据 TorchGeo v0.10.0 官方 GitHub Release 整理。版本说明里的功能和数字是上游事实；具体模型精度、吞吐与泛化能力仍需由项目在自身区域、传感器和标注条件下测量。

可核查事实

  • TorchGeo v0.10.0 于 2026 年 8 月 14 日发布；官方称这是其历史上最大的 release，过去 6 个月合并了 220 个 PR、来自 29 位贡献者。

  • 该版本宣布完整 time series support，并列出数十个时序 benchmark dataset 和十余个时序模型。

  • 发布说明将 CropHarvest 列为 temporal classification，将 Air Quality 列为新增 temporal regression 数据集；变化检测名单包括 BRIGHT、LEVIR-CD、OSCD、xBD 和新增的 xBD DistShift。

  • 新版本提供 temporal regression、change detection、spatiotemporal segmentation 与 spatiotemporal pixelwise regression 等 PyTorch Lightning task 集成。

  • 为支持时序，TorchGeo 重新设计 samplers：旧的 file-based sampler 被空间 sampler 和时间 sampler 分离的方案替代。

  • 官方示例把 RandomPatchSampler 或 GriddedPatchSampler 与 RandomPeriodSampler 或 SequentialPeriodSampler 通过交叉组合使用，形成时空采样。

  • 所有 TorchGeo dataset 返回的 Sample 被统一为 dict[str, Tensor]；非 Tensor 值会在可能时转为 Tensor，否则移除，以兼容 PyTorch 默认 collate_fn 与 Lightning 默认 transfer_batch_to_device。

  • 该 release 将 torchgeo.trainers 改名为 torchgeo.tasks，并移除 Task 后缀；例如 ClassificationTask 迁移为 Classification。

  • 发布说明列出安全加固：dataset 和 model 默认 checksum、许多数据集从 MD5 改为 SHA256，以及始终使用 torch.load(weights_only=True)。

这些变化共同指向同一个工程事实：时空样本不是普通图片 batch 加一个时间维度。时间选择、空间划分、默认 collate 行为、权重加载与数据校验都会进入结果的可重复性边界。

核心机制

空间 sampler 决定从哪里取 patch，时间 sampler 决定从何时取观测；将两者拆开，才能清楚表达“随机空间、固定年度”与“规则网格、连续时期”这两类完全不同的实验设计。官方示例用 @ 组合两类 sampler，这种组合不是为了让 API 更花哨，而是让每一批训练数据的空间范围与时间窗可以分别记录、替换和复测。

静态标签与动态影像也要分清。官方示例中 Landsat 7/8 以 B × T × C × H × W 作为动态时序输入，CDL 则是 B × H × W 的静态 mosaic。若把标签时间、影像时间和预测目标混在一起，模型可能学习到泄漏的时间信息，离线指标却仍然漂亮。统一为 Tensor 字典后，batch 合并更稳定，但也要求团队明确每个 key 的维度、单位、nodata 和时间语义。

checksum 默认开启与 weights_only=True 是另一条必要边界。下载到本地的影像、标签和模型权重应按已记录的散列校验；不可信 checkpoint 不能仅因扩展名正确就被反序列化。它们不替代供应商信誉、访问控制或隔离执行，但能把数据和权重篡改变成可检测事件。

GIS 场景

以年度作物制图为例，可把训练区按空间格网划分，训练样本使用随机 patch 与随机年度窗口，测试样本使用未重叠格网和连续年度窗口。影像时段、云掩膜、传感器、标签版本和 patch 坐标必须一同保存；否则“测试集”可能只是同一田块相邻 patch 或同一年相近日期的重复。

变化检测项目也需要双时相或多时相的明确合同。对每个 sample 记录早晚期时间、空间 footprint、传感器和重采样方法；将 xBD、OSCD 等公开 benchmark 的评测结果与本地灾害或城市更新数据分开报告。训练脚本能运行不代表模型理解了变化，而不是成像季节、云量或标签生产差异。

技术路径

先为数据模块定义样本 schema：dynamic imagery 的 T/C/H/W 含义、static label 的空间对齐、时间窗规则、nodata 策略和输出任务类型。将 spatial sampler、temporal sampler、随机种子、训练/验证/测试的空间分割和时间分割写入实验配置；每次运行保存实际抽到的格网或 scene ID 摘要。

升级到 0.10 时，先在固定小样本上替换已弃用的 file-based sampler，并检查新 sampler 是否改变了 patch 数、重叠率、年度覆盖或 batch shape。随后替换 torchgeo.trainers imports，断言每个 dataset 的 Sample 都符合 dict[str, Tensor] 约定，再运行一次训练、验证、导出和推理的最小端到端测试。

最后把数据和权重校验加入训练入口：记录预期 SHA256、下载来源、校验结果和 weights_only=True 加载路径。校验失败、样本维度不符或分割重叠时停止运行，而不是继续产出看似有效的指标。

风险边界

更多时序数据集和模型不保证某个区域的作物、灾害或气候任务得到更高精度。随机空间/时间采样也无法自动消除标签偏差、传感器不一致、CRS 重投影误差和空间自相关。默认 checksum 只能验证所用文件与预期散列一致，不能证明预期文件的许可、标注质量或业务适用性。升级中的弃用 API 与新 batch schema 可能影响既有训练、导出和服务代码，必须保留可回退环境。

检查清单

  1. 为每个任务写清动态与静态输入的维度、时间语义、CRS、nodata 与标签版本。

  2. 分别记录空间 sampler、时间 sampler、随机种子、patch 覆盖和训练/测试分割。

  3. 检查测试区与测试时段是否真正独立，避免相邻 patch 或近日期泄漏。

  4. 将所有 dataset 输出断言为 dict[str, Tensor]，并对 batch shape 做固定样本检查。

  5. 升级 imports 时将 torchgeo.trainers 和旧 Task 后缀逐项替换并跑端到端 smoke test。

  6. 对影像、标签与权重记录 SHA256、来源和校验结果，使用 weights_only=True 加载不可信来源的权重。

  7. 将数据版本、采样配置、环境版本、评测空间范围和失败原因随实验结果保存。

结论

时序遥感训练的可信度从样本被选择的那一刻就开始形成。TorchGeo 0.10 的价值在于让空间、时间、batch 和校验能够被单独声明和复测。把这些合同固化下来，团队才有资格讨论模型指标是否真的代表未来时相与新区域。

参考来源

  1. TorchGeo v0.10.0 Release Notes：https://github.com/torchgeo/torchgeo/releases/tag/v0.10.0