收录解读
海洋与近岸环境监测一直受限于高质量标注稀缺、传感器异质和场景变化大。相比陆地遥感，ocean colour 这类任务更难建立通用 backbone，因此很多模型仍停留在特定下游任务或小数据集拟合层面。作者直接把问题提升为 marine earth observation foundation model，试图为海洋监测建立可迁移的底座。
这篇论文基于 Prithvi-EO Vision Transformer，为 Sentinel-3 OLCI 数据预训练一个 ocean-colour foundation model，并在 chlorophyll quantification 与 primary production refinement 两个下游任务上验证。其核心价值不只是性能，而是证明 marine monitoring 也可以走 foundation-model 路线：用海量无标注遥感数据学表征，再在少量高质量标签上完成迁移。摘要还强调模型能更好捕捉 ocean colour 的空间结构，并与点位观测匹配。
这项工作值得正式收录，因为它给 marine / coastal monitoring 提供了一个真正可复用的 foundation-model interface，而不是一次性的下游模型。对仓库来说，这类条目有明显扩展意义：它把 AI 对海洋系统的赋能从单点预测推进到更 durable 的 representation infrastructure，对后续海洋生态、渔业和气候过程监测都有基础价值。
它暂时还不到更高一级，原因是当前验证仍集中在两个典型 ocean-colour downstream tasks，离更广海洋系统、更多传感器和更复杂 operational decision workflows 还有距离。它是一篇强基础设施论文，但还不是海洋 AI 范式重排级条目。