يعتبر الاستشعار عن بُعد أداة قوية لمراقبة التغيرات السطحية على كوكب الأرض، إلا أنه يتطلب من النماذج أن تكون قادرة على تتبع التغيرات والتاريخ التطوري للأراضي على مدى الزمن.

ومع ذلك، تفتقر الدراسات الحالية إلى تقييم منهجي يُمكن أن يوضح هذه القدرات المتنوعة. ومن هنا، تم تقديم معيار ChronoBench الذي يُقسّم هذه المهمة إلى أربعة مستويات تقدُّمية معرفية:
1. **إدراك تغطية الأرض** (Land Cover Perception)
2. **التعرف الزمني** (Temporal Recognition)
3. **الذاكرة الطويلة الأمد** (Long-Term Memory)
4. **الاستدلال الزماني المكاني** (Spatio-Temporal Reasoning).

يتضمن ChronoBench 12 مهمة فرعية و17,689 زوج من أسئلة الإجابة (QA) التي تم تقييمها بدقة. تكشف التقييمات الشاملة أن النماذج اللغوية الكبيرة الموجودة حاليًا تعاني من قصور كبير مقارنةً بالخبراء البشريين، حيث تعتبر **الذاكرة الطويلة الأمد** النقطة الحرجة.

استجابة لهذه التحديات، تم اقتراح GeoChrono، وهو نموذج لغوي متعدد المهام (MLLM) مصمم بشكل خاص لتعزيز قدراته على تتبع وتخزين واستنتاج التغيرات الجغرافية على المدى الطويل. للاستفادة من الفرضية الفيزيائية التي تنص على أن المناطق الجغرافية تظل ثابتة مكانيًا بينما تتطور دلالاتها، تم تصميم **مُشفِّر المسار الزمني** (Temporal Trajectory Encoder أو TempEnc) لتشكيل مسارات زمنية للغطاء الأرضي.

أيضًا، تم إدخال **ضاغط الرموز من الخشن إلى الدقيق** (Coarse-to-Fine Token Compressor أو C2FComp) الذي يحافظ على المناطق الديناميكية أثناء ضغط الخلفية الثابتة. لتدريب النموذج، تم إنشاء مجموعة بيانات ChronoInstruct المكونة من 104,000 عينة، تغطي جميع مستويات الكفاءة.

حقق GeoChrono أداءً هو الأفضل في ChronoBench، متفوقًا على النماذج التجارية الرائدة بأكثر من 20%. بينما نجح C2FComp في تقليل الرموز البصرية بنسبة تزيد عن 56% بينما يحافظ على أداء GeoChrono بنسبة 94.6%. سيتم توفير الكود والبيانات عبر رابط GitHub. لهذا الابتكار أهمية بالغة في تطوير أداء النماذج اللغوية في دراسة التغيرات الجغرافية.