Leveraging geospatial foundation model embeddings for local-scale landslide susceptibility mapping via positive-unlabeled learning
Cette étude propose un flux de travail orienté vers le déploiement qui intègre les plongements du modèle de fondation AlphaEarth avec l'apprentissage positif-non étiqueté pour surmonter les défis liés aux étiquettes et à la redondance, réalisant une cartographie de la susceptibilité aux glissements de terrain à l'échelle locale hautement sélective à Hong Kong en fusionnant efficacement des représentations géospatiales transférables avec des caractéristiques physiques traditionnelles.