收录解读
geospatial foundation models 在研究中已经很强，但部署一直被两个问题卡住：一是从 raw satellite imagery 到 model-ready dataset 的自动数据管道缺失，二是 fine-tuned models 往往太大，难以在真实业务或 humanitarian workflow 中快速交付。很多工作只证明 foundation model 精度更高，却没有解决 data-to-deployment 的最后一公里。
InstaGeo 的核心贡献是把 geospatial ML workflow 做成一个端到端开源框架，统一包含 automated data curation、task-specific model distillation 和 interactive web-map deployment。它不仅复现已有 flood mapping、crop segmentation、desert locust prediction 数据集和结果，还把 distillation 做成 default deployment step，使模型在精度损失很小的情况下缩小到最多 8 倍，并显著降低 FLOPs 和 CO2。更重要的是，作者强调用户可以在一天之内完成从原始数据到可部署模型的流程。
这项工作值得正式收录，因为它不只是另一个 geospatial foundation model，而是把 geospatial AI 的工程化痛点做成了可复用 workflow。对仓库来说，这类论文的价值很高：它改变的不是单个任务精度，而是如何把 remote sensing / EO 模型真正推进到 field deployment 和 decision support。它对 flood、agriculture、disaster response 和 broader geospatial AI 都有明显外溢。
它暂时还不到更高一级，原因是当前证据仍以 geospatial tasks 为主，且 workflow 优势更多体现在工程效率、压缩和 deployment，而不是重构更底层的 foundation-model 训练范式。它是很强的基础设施论文，但影响范围还主要停留在 geospatial deployment 这条线。