شهدت نماذج البيانات الجغرافية (GeoFMs) التي تم تدريبها على بيانات ضخمة مثل ملاحظات الأرض (EO) وبيانات المناخ طفرات كبيرة في الأداء عند تعديلها لتلبية مختلف المهام المخصصة. ولكن، يواجه هذا التطور تحديين رئيسيين عند ضبطها على مجموعات بيانات فعلية: أولاً، كيفية التعامل مع مشكلة عدم التطابق الطيفي، حيث تتوقع نماذج GeoFMs المدربة مسبقًا مجموعة ثابتة من النطاقات، بينما قد توفر المستشعرات المختلفة قنوات مختلفة. ثانياً، كيفية تقليل تكاليف تعديل هذه النماذج.

قدمت SPECTRA، الإطار الجديد للتعديل المعتمد على الكفاءة، حلاً مبتكرًا لمواجهة هذين التحديين. حيث تستخدم SPECTRA تقنية Band-Routed Embedding (BRE)، التي تقوم بتوجيه جميع النطاقات المتاحة في مجموعة البيانات نحو الفضاء المخصص للنطاقات في GeoFM المدرب مسبقًا. هذه التقنية تعزز الاستفادة من كافة النطاقات المتاحة دون الحاجة لتغيير واجهة الارتباط المدرب مسبقًا.

أما بالنسبة لتقليل تكاليف التعديل، فتقدم SPECTRA تقنية Stage-wise Transferability-aware LoRA (ST-LoRA)، والتي تقوم بتقدير قابلية النقل حسب المرحلة قبل بدء التعديل، مما يخصص تصنيفات خاصة لكل مرحلة، ويركز المعلمات القابلة للتدريب على المراحل التي تملك قابلية نقل عالية نسبتًا إلىالمهمة المستهدفة. تشير التجارب على ثلاثة من GeoFMs المدربة مسبقًا وأربعة مجموعات بيانات تقسيم مختلفة إلى أن BRE تعزز الأداء بشكل ملحوظ، بينما يقلل ST-LoRA من عدد المعلمات القابلة للتدريب مقارنةً بالتعديل الكامل وLoRA القياسية. يمكنك الاطلاع على الكود عبر GitHub.