利用AI多模态地理空间基础模型提升全球范围内近实时洪水映射的效果
计算机视觉与模式识别
2025-12-03 v1 人工智能
摘要
洪水是最具毁�性性的天气相关灾害之一，2024年 hottest year on record（全球最暖年），极端洪水事件影响了五大洲的社区。地球观测（EO）卫星为映射淹水区提供了关键且频繁的覆盖，但操作性精度高度依赖标记数据集和模型的泛化能力。近期的地理空间基础模型（GFMs），如ESA-IBM的TerraMind，通过大规模自监督预训练实现了更好的泛化，但其在多样化全球洪水事件上的性能仍不为人知。我们使用包含85个全球洪水事件的同步多模态数据集FloodsNet，对TerraMind进行微调以实现洪水范围映射。我们测试了四种配置（基础模型与大型模型；冻结与非冻结主干网络），并将其与TerraMind Sen1Floods11示例以及在FloodsNet和Sen1Floods11上训练的U-Net进行比较。基础-非冻结配置在准确率、精确率和召回率之间提供了最佳的均衡，计算成本远低于大型模型。大型非冻结模型实现了最高的召回率。在召回率上，训练FloodsNet的模型优于Sen1Floods11训练的示例，而整体准确率相近。U-Net的召回率高于所有GFM配置，但准确率和精确率略低。我们的结果表明，整合多模态光学和雷达数据，并对GFM进行微调，可增强近实时洪水映射。本研究是全球范围内评估GFM for洪水分割的第一个案例之一，既展示了其潜力，也凸显了其在气候适应和灾害韧性方面的当前局限性。
引用
@article{arxiv.2512.02055,
title = {Leveraging AI multimodal geospatial foundation models for improved near-real-time flood mapping at a global scale},
author = {Mirela G. Tulbure and Julio Caineta and Mark Broich and Mollie D. Gaines and Philippe Rufin and Leon-Friedrich Thomas and Hamed Alemohammad and Jan Hemmerling and Patrick Hostert},
journal= {arXiv preprint arXiv:2512.02055},
year = {2025}
}