土地覆盖与洪水类型共同决定了基于卫星的洪水制图在多种全球洪水事件中的检测极限

arXiv cs.AI 论文
flood-mapping satellite-imagery geospatial-ai prithvi-eo disaster-response climate-change foundation-models

摘要

一项研究评估了Prithvi-EO-2.0基础模型在19个不同全球洪水事件中用于卫星洪水制图的效果，发现检测精度共同受土地覆盖和洪水类型的影响。

arXiv:2606.07780v1 Announce Type: new Abstract: 洪水是最具破坏性的自然灾害之一，在气候变化下其频率增加使得基于卫星的淹没制图对于灾害响应至关重要。基于卫星档案预训练的地理空间基础模型提供了地理可迁移性，但它们在多样化、未见事件中的操作可靠性尚未明确。在这里，我们在19个分布外洪水事件（2017-2025年）中部署了Prithvi-EO-2.0，这些事件跨越六大洲、八个气候带和六种洪水机制，并针对两个独立的参考产品进行验证。检测精度共同依赖于土地覆盖和洪水类型，其中农田一致性最高（IoU=52%），河流事件检测最强（F1=0.69），而树木覆盖和建成区无论洪水机制如何均显示接近零的检测（IoU=4%）。双参考验证显示，明显的模型误差部分反映了参考产品之间的定义不一致，而非检测失败。迭代管道测试识别出23种故障模式，其中管道工程在初始误差中占主导地位，超过模型容量。这些发现为操作性的卫星洪水制图建立了环境依赖的检测边界。
查看原文
查看缓存全文

缓存时间: 2026/06/09 08:52 

# 土地覆盖与洪水类型主导全球多类型洪水事件中卫星遥感洪水监测的检测极限
来源：https://arxiv.org/abs/2606.07780
查看 PDF (https://arxiv.org/pdf/2606.07780)

> **摘要**：洪水是最具破坏性的自然灾害之一，在气候变化背景下其发生频率不断增加，使得基于卫星的洪水淹没制图成为灾害响应的关键手段。基于卫星影像档案预训练的地理空间基础模型具备地理迁移能力，但其在面对多样化、未见事件时的操作可靠性尚未得到充分刻画。本研究将 Prithvi-EO-2.0 模型部署于 19 个分布外洪水事件（2017-2025 年），涵盖六大洲、八个气候带及六种洪水机制，并使用两个独立参考产品进行验证。检测精度取决于土地覆盖与洪水类型的共同作用：农田区域的检测一致性最高（IoU=52%），河流型洪水事件的检测效果最强（F1=0.69）；而无论洪水机制如何，林地与建成区几乎无检测能力（IoU=4%）。双参考产品验证表明，表观模型误差部分源于参考产品之间的定义不一致，而非检测失败本身。迭代流程测试识别出 23 种失效模式，其中流程工程对初始误差的贡献远大于模型容量。这些发现为操作化卫星洪水监测确立了环境依赖的检测边界。

## 提交历史

来自：Venkatesh Kolluru 博士 [查看邮件](https://arxiv.org/show-email/63fe4c07/2606.07780) **\[v1\]** 2026年6月5日星期五 18:46:03 UTC（7,964 KB）

相似文章

GEOID-Flood：用于洪水分割的大规模多模态基准数据集

Hugging Face Daily Papers

介绍了GEOID-Flood，这是一个用于洪水分割的大规模多模态基准数据集，包含来自65个国家219个事件的超过14,000个瓦片，在单图像、多时相和多模态协议下，将基础模型与传统编码器进行了评估。

可扩展且可信的地球观测基础模型

arXiv cs.LG

本章回顾了地球观测基础模型的设计原则和当前格局，强调了领域特定适应、物理上合理的表示以及一致评估基准的必要性。包含关于有害藻华预测和自适应监测站点选择的案例研究。

基础模型嵌入是否提升了跨国作物产量预测的泛化能力？一项针对撒哈拉以南非洲的留一国验证研究

arXiv cs.LG

本文评估了以 Prithvi-EO 为代表的地理空间基础模型嵌入，在撒哈拉以南非洲地区预测作物产量时，相较于传统 Sentinel-2 特征是否具备跨国泛化优势。研究发现，在严格的留一国交叉验证下，冻结的嵌入特征并未显著优于光谱中位数，表明国家层面的分布偏移是主要瓶颈，而非特征表示的质量。