从滑坡致灾因子到卫星嵌入：评估谷歌AlphaEarth在基于深度学习的滑坡易发性制图中的利用
计算机视觉与模式识别
2026-01-13 v1
摘要
数据驱动的滑坡易发性制图通常依赖于滑坡致灾因子，其可用性、异质性和预处理相关的不确定性会制约制图的可靠性。最近，源自多源地理空间观测的谷歌AlphaEarth嵌入，已成为地球表面状况的统一表征。本研究评估了AE嵌入作为LSM替代预测因子的潜力。系统地比较了两种AE表征（包括保留的主成分和全部64个嵌入波段）与传统的LCFs，在三个研究区域（台湾南投县、香港和意大利艾米利亚-罗马涅大区的一部分）使用三种深度学习模型（CNN1D、CNN2D和Vision Transformer）进行。使用多种评估指标、ROC-AUC分析、误差统计和空间格局评估来评估性能。结果表明，基于AE的模型在所有区域和模型上均持续优于LCFs，产生了更高的F1分数、AUC值和更稳定的误差分布。当使用完整的64波段AE表征时，这种改进最为显著，F1分数提升约4%至15%，AUC增加范围在0.04至0.11之间，具体取决于研究区域和模型。基于AE的易发性图还显示出与观测到的滑坡事件更清晰的空间对应关系，以及对局部易滑坡条件的增强敏感性。性能改进在南投和艾米利亚比在香港更明显，表明AE嵌入与滑坡清单之间更紧密的时间对齐可能导致更有效的LSM结果。这些发现凸显了AE嵌入作为LSM中传统LCFs的标准化和信息丰富替代方案的巨大潜力。
引用
@article{arxiv.2601.07268,
title = {From Landslide Conditioning Factors to Satellite Embeddings: Evaluating the Utilisation of Google AlphaEarth for Landslide Susceptibility Mapping using Deep Learning},
author = {Yusen Cheng and Qinfeng Zhu and Lei Fan},
journal= {arXiv preprint arXiv:2601.07268},
year = {2026}
}