基于地理基础模型的滑坡危险图图：地理可移植性、数据稀缺性和波段适应性
计算机视觉与模式识别
2025-11-07 v1
摘要
滑坡对生命、基础设施和环境造成严重损害，使准确及时映射对于灾害准备和响应至关重要。然而，传统深度学习模型在跨传感器、跨地区或受限训练数据条件下常常难以应用。为此，我们提出了传感器、标签和域三个轴向的分析框架，用于适配地理基础模型 (GeoFMs)，聚焦于 Prithvi-EO-2.0 进行滑坡映射。通过一系列实验，我们展示它始终优于任务特定的 CNN (U-Net、U-Net++)、视觉变换器 (Segformer、SwinV2-B) 和其他 GeoFMs (TerraMind、SatMAE)。该模型基于全局预训练、自监督和可适应微调，能够抵御光谱变化，在标签稀缺条件下保持准确性，并在不同数据集和地理环境中实现更可靠的泛化。同时，我们也指出了remaining挑战，如计算成本和用于滑坡研究的可重复使用的 AI 就绪训练数据稀缺等问题。总体而言，本研究为降低滑坡风险和环境监测提供了更稳健和可扩展的方法。
引用
@article{arxiv.2511.04474,
title = {Landslide Hazard Mapping with Geospatial Foundation Models: Geographical Generalizability, Data Scarcity, and Band Adaptability},
author = {Wenwen Li and Sizhe Wang and Hyunho Lee and Chenyan Lu and Sujit Roy and Rahul Ramachandran and Chia-Yu Hsu},
journal= {arXiv preprint arXiv:2511.04474},
year = {2025}
}