لقد قلّصت أساليب التعلم التمييزي بشكل كبير الفجوة بين التعلم المراقب وغير المراقب في مهام رؤية الحاسوب. في هذه الورقة، نستكشف تطبيقها على مجموعات بيانات مُحَدَّدة جغرافيًا، مثل الاستشعار عن بعد، حيث يكون البيانات غير المُعلَّمة غالبًا وافرة بينما تكون البيانات المُعلَّمة نادرة. نُظهر أولًا أن الفجوة غير التافهة تظل قائمة بين التعلم التمييزي والتعلم المراقب على المعايير القياسية، وذلك بسبب الخصائص المختلفة بينهما. ولإغلاق هذه الفجوة، نقترح أساليب تدريب جديدة تستفيد من البنية المكانية الزمنية لبيانات الاستشعار عن بعد. نستفيد من الصور المُحاذاة مكانيًا عبر الزمن لبناء أزواج إيجابية زمنية في التعلم التمييزي، كما نستخدم الموقع الجغرافي لتصميم مهام ما قبل التدريب (pre-text tasks). تُظهر تجاربنا أن الطريقة المقترحة تُغلق الفجوة بين التعلم التمييزي والتعلم المراقب في تصنيف الصور، وكشف الكائنات، والتقسيم الدلالي لبيانات الاستشعار عن بعد. علاوةً على ذلك، نُظهر أن الطريقة المقترحة يمكن تطبيقها أيضًا على صور ImageNet المُعلَّقة جغرافيًا، مما يُحسّن الأداء في المهام التالية (downstream tasks). يمكن الوصول إلى صفحة المشروع عبر الرابط التالي: geography-aware-ssl.github.io.