灌木丛林与森林在现代陆地战争中不但不能隐蔽，还要起反作用？
在大多数人的传统认知里，绿色植物，特别是有大量的绿色植物形成的树林与森林，天生就与隐蔽有关。
既然能隐蔽人员与装备，那么自然就有利于作战的其中一方或者双方；比如越南战争，就是靠热带丛林长期熬走了世界最强大的军事帝国。
为此，美国人还专门发明了落叶剂、橙剂，这些具备大面积杀伤林木的化学药剂，污染性也极其长远！来对所谓的胡志明小道进行树木枯死的大范围人工污染作业，就是想让隐蔽在高密度丛林中的游击队与其车辆设施尽量的暴露，然后实施大面积的轰炸。
然而事实上，再多的落叶剂与橙剂也跟不上热带雨林草木生长的速度，这也是美军在越南最终失败的根源之一。
而我们这代人从小受到的教育都是植树造林。
因为种树造林，天生与国防有关。
所谓的三北防护林带，
本身也有一定的军事防御性质。
因为大密度的树林可以隐蔽防御装备，现在的军绿色包括迷彩色，也都是与树林的隐蔽性质直接有关的发明。
可问题是，俄乌一战，人们突然发现，树林与灌木丛林不但不能隐蔽，反倒会带来一些意想不到的麻烦。
要知道在东欧大平原，其历史与现实中的林木覆盖密度都相当的高，即使是农业区，森林覆盖率也能达到40%以上，还有很多不能耕种的森林、沼泽。
温带阔叶林的覆盖率几乎能达到80%。
这本来是能很好隐蔽军事行动的天然屏障，结果却发现不但不能隐蔽，反倒极其容易招来炮火的覆盖，特别是FPV无人机的定点杀伤！战争一开始，俄乌双方很多指挥员与基层官兵的认知，还停留在二战时的树林可以隐蔽的传统印象里，结果屡次吃大亏！很多隐蔽在丛林中的后勤基地、
炮弹储存设施，包括炮兵阵地与装甲集群的临时休息场所，都被对手反复的准确炮火覆盖！FPV无人机则准确地钻入密林深处，轰炸地面上的几乎所有目标！为何如此？这就在于现代树林，特别是温带阔叶林或温带落叶灌木，在预警指挥机的雷达波下，可以被一览无余、一眼看穿！很多人都知道预警机可以发现几百公里外的飞机，但是不知道预警机对地面目标也能轻易看穿：很多临时防护网，包括大面积树林的树叶，根本挡不住预警机的雷达探测波；除了预警机的空中侦察之外，还有现代热成像设备，对隐藏在树丛、树林后面的人员也是一览无余。
不论白天黑夜，还是雨雪天气。
因此隐藏在树林里的所有人员与装备都很容易被迅速侦测到，然后引来炮火的精确覆盖。
还有一个更现实的问题，那就是隐蔽在树林中的
所有地面目标。
目标不但不能隐蔽，反倒容易招来FPV无人机的频繁攻击。
因为树林内部的自然障碍物非常多，这样防御起FPV无人机来，反倒不能更远距离地进行拦截。
包括在中东战场上已经证明非常可靠的激光防无人机设施，在丛林密布的地带反倒不好用了！因为中东沙漠地面几乎没有任何障碍物，激光近防系统可以准确地瞄准并定位无人机并进行批量击落。
但是在树林密布的地带，光纤制导的FPV无人机反倒极难防御，经常出现飞到眼前几米了才被发现！因此，树林可以隐蔽自身军事行动的思维必须进行重大改变，这也是没有经历过大规模现代化地面实战的各国军方，必须未雨绸缪的。
OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型
Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。
这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。
此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。
这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。
此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。
这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。
嵌入数据代表了模型从数百万张卫星图像中学习到的内容。
OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。
Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。
该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。
其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。
不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。
这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。
在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。
亚马逊保护团队的MAAP监测项目报告了这一活动。
2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。
我们如何得知这一事实？ 嵌入数据给出了明确答案。
无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。
而同样的比较放在2020年至2024年间，这一面积降至9平方公里。
关闭行动的效果显而易见。
Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。
而在浏览器工具中，初步分析仅需几秒钟即可完成。
仅凭少量标签对某个区域进行分析，无需使用GPU。
当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。
OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型
Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。
这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。
此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。
这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。
此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。
这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。
嵌入数据代表了模型从数百万张卫星图像中学习到的内容。
OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。
Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。
该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。
其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。
不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。
这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。
在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。
亚马逊保护团队的MAAP监测项目报告了这一活动。
2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。
我们如何得知这一事实？ 嵌入数据给出了明确答案。
无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。
而同样的比较放在2020年至2024年间，这一面积降至9平方公里。
关闭行动的效果显而易见。
Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。
而在浏览器工具中，初步分析仅需几秒钟即可完成。
仅凭少量标签对某个区域进行分析，无需使用GPU。
当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。
