The explosion of Earth Observation (EO) data has driven the rapid development of Geospatial Foundation Models (GFMs) trained via self-supervised learning (SSL). While current discriminative SSL paradigms, such as contrastive learning and masked image modeling, have achieved notable success, they often struggle to capture the fine-grained spatial details and multi-scale complexities inherent in satellite imagery. Furthermore, the rapid architectural advancement of these models has outpaced the methodology used to evaluate them. Existing benchmarks frequently suffer from geographic biases, lack multi-modal and multi-temporal diversity, and rely on overly simplistic image-level classification tasks, thereby obscuring the true real-world capabilities and vulnerabilities of modern GFMs.

To address these representational limitations, this thesis first investigates the untapped potential of generative diffusion models for discriminative representation learning. We introduce SatDiFuser, a novel framework that repurposes a large-scale, pre-trained latent diffusion model for dense remote sensing tasks. By extracting multi-scale, multi-timestep features from the iterative denoising process and systematically aggregating them through advanced fusion strategies—including Global Weighting, Localized Weighting, and a Mixture of Experts (MoE) mechanism—SatDiFuser successfully transforms generative spatial priors into robust discriminative features, demonstrating superior performance on standard geospatial benchmarks.

While exploring novel representation architectures is crucial, accurately assessing the rapidly expanding GFM landscape requires overcoming a second fundamental challenge: the inadequacy of current evaluation protocols. To address this critical evaluation gap, this thesis subsequently introduces PANGAEA: a globally inclusive, standardized benchmark. Encompassing 11 diverse datasets across five critical domains (Urban, Agriculture, Disaster, Marine, and Forestry), PANGAEA evaluates models exclusively on complex, dense pixel-wise tasks while accounting for varying spatial resolutions, multi-modality (Optical and SAR), and multi-temporal dynamics. Extensive benchmarking of representative GFMs reveals critical insights into their generalization capabilities, robustness under data scarcity, and current limitations in multi-sensor fusion. Ultimately, this thesis bridges the gap between generative representation learning and rigorous global evaluation, laying a robust foundation for the development and assessment of the next generation of Geospatial Foundation Models.

Explosionen av jordobservationsdata (Earth Observation, EO) har drivit på en snabb utveckling av geospatiala grundmodeller (Geospatial Foundation Models, GFMs) som tränats via självövervakad inlärning (Self-Supervised Learning, SSL). Även om nuvarande diskriminativa SSL-paradigm, såsom kontrastiv inlärning och maskerad bildmodellering (masked image modeling), har nått betydande framgångar, har de ofta svårt att fånga de finkorniga rumsliga detaljerna och den flerskaliga komplexiteten som är inneboende i satellitbilder. Dessutom har den snabba arkitektoniska utvecklingen av dessa modeller sprungit ifrån den metodik som används för att utvärdera dem. Existerande utvärderingsramverk (benchmarks) lider ofta av geografiska skevheter, saknar multimodal och multitemporal mångfald, och förlitar sig på alltför förenklade klassificeringsuppgifter på bildnivå. Detta döljer de moderna grundmodellernas sanna förmågor och sårbarheter i verkliga tillämpningar.

För att hantera dessa representationsbegränsningar undersöker denna avhandling först den outnyttjade potentialen hos generativa diffusionsmodeller för diskriminativ representationsinlärning. Vi introducerar SatDiFuser, ett nyskapande ramverk som återanvänder en storskalig, förtränad latent diffusionsmodell för täta fjärranalysuppgifter. Genom att extrahera särdrag över flera skalor och tidssteg från den iterativa brusreduceringsprocessen och systematiskt aggregera dem genom avancerade fusionsstrategier – inklusive global viktning, lokaliserad viktning och en Mixture of Experts (MoE)-mekanism – transformerar SatDiFuser framgångsrikt generativa rumsliga förkunskaper till robusta diskriminativa särdrag. Detta demonstrerar överlägsen prestanda på standardiserade geospatiala riktmärken.

Även om utforskandet av nya representationsarkitekturer är avgörande, kräver en noggrann bedömning av det snabbt växande GFM-landskapet att en andra fundamental utmaning övervinns: otillräckligheten i nuvarande utvärderingsprotokoll. För att överbrygga denna kritiska utvärderingsklyfta introducerar denna avhandling därefter PANGAEA: ett globalt inkluderande, standardiserat riktmärke (benchmark). PANGAEA omfattar 11 mångsidiga dataset tvärs över fem kritiska domäner (stadsmiljö, jordbruk, katastrofhantering, marin miljö och skogsbruk) och utvärderar uteslutande modeller på komplexa, täta pixelbaserade uppgifter, samtidigt som hänsyn tas till varierande rumslig upplösning, multimodalitet (optisk och SAR) samt multitemporal dynamik. Omfattande prestandamätningar av representativa GFM:er avslöjar kritiska insikter i deras generaliseringsförmåga, robusthet vid databrist och nuvarande begränsningar i multisensorfusion. I slutändan överbryggar denna avhandling klyftan mellan generativ representationsinlärning och rigorös global utvärdering, vilket lägger en robust grund för utveckling och bedömning av nästa generation av geospatiala grundmodeller.