Leveraging geospatial foundation model embeddings for local-scale landslide susceptibility mapping via positive-unlabeled learning
Deze studie stelt een op implementatie gerichte workflow voor die de AlphaEarth foundation model embeddings integreert met positive-unlabeled learning om uitdagingen op het gebied van labels en redundantie te overwinnen, waarbij zeer selectieve lokale landschapsgevoeligheidskaarten voor aardverschuivingen in Hong Kong worden gerealiseerd door overdraagbare geospatiale representaties effectief te fuseren met traditionele fysische kenmerken.