背景：全面掌握我国光伏发电设施的建设现状及空间分布动态，亟需引入高效、精准的遥感监测与核查技术。依托中国测绘科学研究院遥感智能解译团队自主研发的中测坤源大模型（TerraMaster），开展了光伏设施目标遥感智能提取工程化生产性试验。

本项工作选取了德清县部分典型区域作为重点实验区。基础数据源采用该区域2025年度获取卫星遥感影像。经过严密的数据预处理与精细化人工标注，统一制备了像幅尺寸为 1024×1024 像素的高质量光伏目标标准样本集，共6087张。

在完成多源异构样本库的标准化构建后，为保障对比实验的严谨性与客观性，全体数据严格按照 8:1:1 的科学比例随机划分为训练集、验证集与测试集，以支撑后续的闭环训练与精度检核。依托此统一、规范的数据底座，开展了中测坤源大模型（TerraMaster）与 YOLO 26 模型在光伏设施空间识别与提取任务上的对比实验，旨在全面检验并论证自研模型在多分辨率、复杂场景下的泛化能力与实战效能。

为保障光伏设施提取任务的高效模型训练与稳定推理，实验环境统一部署于Ubuntu操作系统，底层开发环境集成Python 3.9，并搭载CUDA 12.1 与 PyTorch 2.1.2深度学习框架以提供基础算力支撑。

在针对光伏目标解译的微调（Fine-tuning）阶段，中测坤源大模型选定AdamW优化器并配合交叉熵损失函数（Cross-Entropy Loss）进行网络参数更新。整体训练周期设定为200个轮次（Epoch），数据批处理大小（Batch Size）配置为8。在超参数寻优与正则化策略方面，模型引入了带有预热机制的余弦退火学习率调度策略（Cosine Annealing with Warmup），同时设定权重衰减（Weight Decay）参数为1e-3，随机路径丢弃率（Stochastic Path Drop Rate）为0.3。此套组合策略有效控制了训练过程中的梯度平滑度，防止了模型过拟合现象，进一步提升了光伏特征提取的鲁棒性。

为客观验证自研大模型的实际应用效能，当前业内先进的YOLO 26模型进行性能比对。本次效能评估构建了多维度的指标体系，具体包括：总体精度（OA）、交并比（IoU）、召回率（Recall）、精确率（Precision）以及F1分数（F1-Score）。

实验评估数据（详见表1）表明，中测坤源大模型在所有关键量化指标上均显著优于基准模型，充分印证了该自研大模型在复杂遥感影像光伏目标提取任务中具备突出的综合性能优势。值得高度关注的是，在衡量空间分割任务性能的核心指标交并比（IoU）上，中测坤源大模型达到了90.20%，较YOLO 26模型大幅提升了19.91%。自研大模型生成的预测掩码与真实地物标签之间的重合度高，对于光伏阵列的边界定位更为精准。

表1 算法精度评估对比

光伏提取结果对比图 

浙江省德清县光伏提取结果（红色图斑）