面向灾害响应的生成式位置感知：一种概率跨视图地理定位方法
人工智能
2026-05-07 v2 计算机视觉与模式识别
摘要
随着地球气候的变化，气候正在通过破坏性天气事件影响到整个星球。破坏性的热浪、大量降雨、极端野火以及飓风期间的广泛洪水都在变得更加频繁和更加严重。对灾害事件的快速高效响应对于气候韧性和可持续发展至关重要。在灾害响应中，准确快速地识别灾害位置以支持决策和资源分配是一个关键挑战。本文提出一种概率跨视图地理定位方法，称为 ProbGLC，探索着眼于快速灾害响应的生成式位置感知新途径。我们将概率模型和确定性地理定位模型融合为统一框架，以同时通过不确定性量化增强模型可解释性，并实现领先的地理定位性能。 designed for rapid disaster response, ProbGLC 能够解决跨越多个灾害事件的跨视图地理定位问题，并提供独特的概率分布和可定位性评分功能。为评估 ProbGLC，我们在两个跨视图灾害数据集（即 MultiIAN 和 SAGAINDisaster）上进行大量实验，包含多种灾害类型（如飓风、野火、洪水以及龙卷风）的异构跨视图图像对。初步结果确认了所提出 ProbGLC 方法在地理定位精度（即 Acc@1km 为 0.86，Acc@25km 为 0.97）和模型可解释性（即通过概率分布和可定位性评分）方面的优势，凸显了利用生成式跨视图方法来促进灾害响应中位置感知，以实现更快更好的决策的巨大潜力。该数据和代码已公开于 https://github.com/bobleegogogo/ProbGLC
引用
@article{arxiv.2512.20056,
title = {Towards Generative Location Awareness for Disaster Response: A Probabilistic Cross-view Geolocalization Approach},
author = {Hao Li and Fabian Deuser and Wenping Yin and Steffen Knoblauch and Wufan Zhao and Filip Biljecki and Yong Xue and Wei Huang},
journal= {arXiv preprint arXiv:2512.20056},
year = {2026}
}