基于低秩适应的地理空间基础模型用于野火遥感映射
计算机视觉与模式识别
2026-05-07 v1
摘要
野火烧毁面积映射对于损伤评估、排放建模以及理解火山-气候相互作用至关重要。最近的地理空间基础模型 (Geospatial Foundation Models, GFMs) 提供了强大的卫星影像通用表征，但仍不存在明确的方法来高效地将这些模型适用于下游地球观测任务，尤其是在地理和时间域迁移的情况下。本研究评估了三个最新的 GFMs——Terramind、DINOv3 和 Prithvi-v2——用于基于 Sentinel-2 数据的烧毁面积映射。我们利用 2017-2023 年 3,820 个野火事件的数据，进行空间和时间上的泛化测试，覆盖多样不同的生态系统。我们系统比较了全参数微调、仅解码器微调以及低秩适应 (Low-Rank Adaptation, LoRA) 用于适配每个模型。在所有实验中，LoRA 在保持参数更新不到 1% 的情况下提供了最强的跨域泛化，显示出准确率与效率之间的理想权衡。使用 LoRA 的 Prithvi-v2 实现了最高的总体准确率，并相对于全参数微调取得了最大的改进。这些发现表明，经过轻量级参数高效方法（如 LoRA）适配的地理空间基础模型，为大规模烧毁面积映射提供了稳健且可扩展的解决方案。代码已公开于 https://github.com/alishibli97/wildfire-lora-gfm。
关键词
引用
@article{arxiv.2605.04989,
title = {Low-Rank Adaptation of Geospatial Foundation Models for Wildfire Mapping Using Sentinel-2 Data},
author = {Ali Shibli and Andrea Nascetti and Yifang Ban},
journal= {arXiv preprint arXiv:2605.04989},
year = {2026}
}
备注
Accepted at IGARSS 2026