LandSegmenter：用于土地利用和土地覆盖映射的灵活基础模型

土地利用和土地覆盖（LULC）映射是地球观测（EO）中的基础任务。然而，当前 LULC 模型通常为特定模态和固定类别分类学开发，限制了其可生成性和更广泛的适用性。近期基础模型（FMs）的进展为构建通用模型提供了可前景的机会。然而，任务无关的 FMs 常需在下游任务上进行微调，而任务特定的 FMs 则依赖大量标注数据进行训练，这在遥感（RS）领域成本高昂且不切实际。为解决这些挑战，我们提出 LandSegmenter，一个 LULC FMs 框架，从输入、模型和输出三个阶段解决挑战。在输入方面，为减轻训练 FMs 对标注数据的重大需求，我们引入 LAnd Segment（LAS），这是一个由全球抽样的弱标签来自现有 LULC 产品构建的大规模、多模态、多来源数据集。LAS 提供了可大规模、成本效益的替代方案，取代人工标注，使在多样化 LULC 领域中进行大规模 FMs 训练成为可能。对于模型架构，LandSegmenter 集成了遥感专用的跨模态特征提取器和文本编码器，用于增强语义感知能力。在输出阶段，我们引入基于类别置信度引导的融合策略，以缓解语义遗漏并进一步提升 LandSegmenter 的零样态性能。我们在六个精确标注的 LULC 数据集上评估 LandSegmenter，涵盖多种模态和类别分类学。广泛的迁移学习和零样态实验表明，LandSegmenter 在大多数情况下实现竞争或优异的性能，尤其在迁移到未见数据集时表现突出。这些结果凸显了我们提出框架的有效性以及弱监督构建任务特定 FMs 的实用性。