📄 aardwetenschappen

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.

Oorspronkelijke auteurs: Mingxuan Li, Wenkai Li, Hongliang Liu, Changshan Liang

Gepubliceerd 2026-09-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mingxuan Li, Wenkai Li, Hongliang Liu, Changshan Liang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Elk jaar zorgen zware regenval en steil terrein ervoor dat tonnen gesteente en grond heuvelafwaarts glijden, wat levens en infrastructuur bedreigt. In plaatsen zoals Hong Kong, waar steden direct tegen ruige bergen aan zijn gebouwd, is het voorspellen waar deze verschuivingen kunnen plaatsvinden een kwestie van dringende veiligheid. Decennialang hebben experts deze risico's in kaart gebracht door fysieke factoren te meten: hoe steil een helling is, wat voor soort gesteente eronder ligt, hoeveel water er door de bodem stroomt en hoe ver een heuvel van een rivier verwijderd is. Deze metingen zijn betrouwbaar, maar ze missen vaak de subtiele, complexe texturen van de grond die gevaar signaleren. In de afgelopen jaren is er een nieuw soort kunstmatige intelligentie opgekomen, getraind op enorme hoeveelheden satellietbeelden om patronen in het aardoppervlak te herkennen die mensen niet gemakkelijk kunnen zien. Deze systemen, bekend als geospatiale fundamentmodellen, kunnen een digitale "vingerafdruk" van een landschap genereren, waarbij details over vegetatie, bodem en menselijke activiteit allemaal tegelijkertijd worden vastgelegd. De uitdaging is geweest om uit te vogelen hoe je deze krachtige, abstracte vingerafdrukken kunt gebruiken om aardverschuivingen in specifieke lokale gebieden te voorspellen, vooral wanneer de beschikbare gegevens incompleet zijn.

Een team onderzoekers van de Sun Yat-Sen Universiteit heeft dit probleem aangepakt door deze geavanceerde AI-vingerafdrukken te combineren met een slimme manier om met incomplete gegevens om te gaan. In de echte wereld weten wetenschappers precies waar aardverschuivingen hebben plaatsgevonden, maar ze weten zelden met zekerheid waar ze dat niet hebben gedaan. Een plek op een kaart zonder geregistreerde verschuiving kan veilig zijn, of het kan simpelweg een plek zijn waar de laatste tijd niemand heeft gekeken. Traditionele computermodellen worstelen met deze onzekerheid omdat ze meestal een duidelijke lijst van "veilige" plekken nodig hebben om van te leren. Om dit te omzeilen, gebruikten de onderzoekers een methode genaamd positive-unlabeled learning. In plaats van te proberen te raden welke plekken veilig zijn, leert het model van de bevestigde locaties van aardverschuivingen en behandelt het de rest als "onbekend". Hierdoor kan het systeem de patronen van gevaar leren zonder dat er een perfecte lijst van veilige zones nodig is. De onderzoekers testten deze aanpak in Hong Kong door het model twee soorten informatie te voeren: de traditionele fysieke metingen en de nieuwe AI-gegenereerde vingerafdrukken van een systeem genaamd AlphaEarth. Ze wilden zien of de AI-vingerafdrukken op zichzelf staand een goede voorspelling konden doen, of dat ze het beste werkten wanneer ze werden gekoppeld aan de traditionele fysieke gegevens.

De resultaten toonden aan dat hoewel de AI-vingerafdrukken alleen een redelijke voorspelling konden maken, ze niet het hele verhaal vormden. Wanneer de onderzoekers de AI-vingerafdrukken combineerden met de traditionele fysieke factoren, werd het model aanzienlijk nauwkeuriger en stabieler. Deze gecombineerde aanpak deed iets opmerkelijks: het identificeerde risicogebieden met veel grotere precisie. In de meest gevaarlijke zones die door het gecombineerde model werden geïdentificeerd, was de dichtheid van werkelijke aardverschuivingen ongeveer vierentwintig keer hoger dan het gemiddelde achtergrondniveau. Nog indrukwekkender was dat het model het merendeel van de bekende aardverschuivingen wist te vangen terwijl het slechts 6,3 procent van het gehele studiegebied als hoog risico markeerde. Dit niveau van focus is cruciaal voor noodplanners, omdat het hen in staat stelt hun middelen te concentreren op de meest kritieke plekken in plaats van ze dun te verspreiden over uitgestrekte gebieden.

Een van de meest interessante bevindingen was hoe de AI-vingerafdrukken het model hielpen een veelvoorkomende fout te vermijden. In drukke steden raken traditionele modellen vaak in de war door steile, door mensen gemaakte structuren zoals wegbermen of de zijkanten van hoge gebouwen. Omdat deze structuren steil lijken op een kaart, zouden de modellen deze soms als gevaarlijk markeren, ook al zijn ze gebouwd om stabiel te zijn. De AI-vingerafdrukken bevatten echter subtiele informatie over de oppervlaktetextuur en het materiaal die het verschil aangeeft tussen een natuurlijke, onstabiele helling en een solide, technisch vervaardigde wand. Door deze vingerafdrukken op te nemen, stopte het model met het markeren van deze stedelijke structuren als hoog risico, waardoor valse alarmen werden verminderd terwijl de natuurlijke hellingen die echt in gevaar waren, correct werden geïdentificeerd. Dit suggerealt dat de AI de fysieke metingen niet vervangt, maar in plaats daarvan een laag van fijnmazige details toevoegt die het model helpt de context van het landschap te begrijpen.

De studie benadrukte ook het belang van hoe deze complexe AI-gegevens worden afgehandeld. De ruwe vingerafdrukken gegenereerd door de AI zijn extreem hoog-dimensionaal, wat betekent dat ze honderden onderling verbonden getallen bevatten die een computermodel kunnen verwarren als ze niet eerst worden opgeschoond. De onderzoekers ontdekten dat als ze de ruwe gegevens rechtstreeks in het systeem voerden, de logica van het model instabiel en moeilijker te begrijpen werd. Door een techniek te gebruiken om deze getallen te vereenvoudigen en te organiseren voordat het model ze zag, zorgden ze ervoor dat de uiteindelijke voorspellingen niet alleen accuraat, maar ook consistent en betrouwbaar waren. Deze stap was essentieel om de technologie bruikbaar te maken in de echte wereld, waar ingenieurs erop moeten kunnen vertrouwen dat de kaart die ze bekijken logisch is.

Uiteindelijk biedt dit onderzoek een praktisch pad vooruit voor rampenbestrijding. Het suggereert een tweestapsbenadering voor verschillende situaties. Wanneer een ramp toeslaat of wanneer gegevens schaars zijn, kan een model dat alleen de AI-vingerafdrukken gebruikt een snelle, geautomatiseerde beoordeling bieden om een snel beeld van het gevaar te krijgen. Wanneer tijd en middelen ruimte laten voor een meer gedetailleerde analyse, creëert het combineren van die vingerafdrukken met traditionele fysieke gegevens een zeer precieze kaart die technische beslissingen en veldonderzoek kan sturen. Het werk demonstreert dat hoewel kunstmatige intelligentie krachtig is, de grootste waarde vaak komt van het samenwerken met menselijke kennis, het vullen van de gaten waar traditionele methoden tekortschieten en het helpen zien van de verborgen risico's in onze veranderende wereld.

Technische Samenvatting: Het benutten van Geospatiale Foundation Model Embeddings voor lokale aardverschuivingsgevoeligheidskaarten via Positive-Unlabeled Learning

Probleemstelling
Het in kaart brengen van de gevoeligheid voor aardverschuivingen (landslide susceptibility mapping, LSM) op lokale schaal is cruciaal voor rampenbeheersing, maar wordt geconfronteerd met twee primaire knelpunten bij de implementatie van geavanceerde kunstmatige intelligentie: effectieve feature-representatie en de betrouwbaarheid van trainingslabels. Conventionele LSM vertrouwt op fysiek interpreteerbare conditiefactoren (bijv. helling, lithologie), die vaak niet in staat zijn om subtiele oppervlaktetexturen en complexe niet-lineaire interacties te vangen. Hoewel deep learning krachtigere feature-extractie biedt, vereist het doorgaans grote gelabelde datasets, die in lokale operationele contexten vaak niet beschikbaar zijn. Bovendien lijden inventarissen van aardverschuivingen inherent aan een gebrek aan betrouwbare negatieve monsters (niet-aardverschuivingen); de afwezigheid van een registratie garandeert geen stabiliteit, wat leidt tot vertekende training als conventionele Positive-Negative (PN) bemonstering wordt gebruikt. Daarnaast introduceren Geospatiale Foundation Models (GeoFMs), hoewel veelbelovend voor overdraagbare representaties, uitdagingen met betrekking tot hoogdimensionale redundantie, multicollineariteit en de onzekerheid over de vraag of hun embeddings zelfstandig kunnen staan of gefuseerd moeten worden met traditionele fysische factoren.

Methodologie
Deze studie stelt een implementatiegerichte workflow voor die de embeddings van AlphaEarth (een GeoFM) integreert met Positive-Unlabeled (PU) learning om deze beperkingen aan te pakken. De studie gebruikt Hong Kong als testomgeving, waarbij gebruik wordt gemaakt van de Enhanced Natural Terrain Landslide Inventory (ENTLI) voor positieve monsters (1.059 gebeurtenissen van 2017–2024) en ongelabelde achtergronddata.

De methodologie verloopt via drie kernfasen:

Feature Preprocessing en Optimalisatie:
- Databronnen: 81 voorspellers werden afgeleid, inclusend 64 AlphaEarth embedding-banden (A00–A63), topografische, hydrologische, geologische, oppervlakteactiviteit- en satellietafgeleide factoren.
- Collineariteitsdiagnose: Variantie-inflatie-factor (VIF) en Pearson-correlatieanalyses toonden ernstige interne multicollineariteit binnen de 64 embedding-dimensies en redundantie tussen de embeddings en specifieke satellietindices (NDVI, NDBI).
- Feature Sets: Drie configuraties werden gedefinieerd: Embedding-only, Traditional-only (alle niet-embedding factoren) en Fused (alle factoren).
- Optimalisatie: Om multicollineariteit te mitigeren, werd Principal Component Analysis (PCA) toegepast op de Embedding-only en Fused sets, waarbij 95% van de variantie werd behouden. NDVI en NDBI werden uit de Fused set verwijderd vanwege redundantie met de embeddings.
Modellering met Positive-Unlabeled Learning:
- Algoritme: Het Positive and Background Learning with Constraints (PBLC) algoritme werd toegepast. In tegen kind van standaard supervised learning, traint PBLC op bevestigde positieve aardverschuivingen en ongelabelde achtergrondmonsters, waarbij de posterieure waarschijnlijkheid van het optreden van een aardverschuiving wordt geschat door rekening te houden met de labelfrequentie ( $c$ ).
- Architectuur: Een volledig verbonden Artificial Neural Network (ANN) met drie verborgen lagen (32, 16, 8 neuronen) diende als de classifier.
- Verliesfunctie: Een composiete verliesfunctie ( $L_{total}$ ) combineert Focal Loss (om klassenimbalans aan te pakken), een PBLC-constraint term (uitgaande van een maximale aardverschuivingskans $P_{max} \approx 1$ ) en L2-regularisatie.
- Validatie: Een robuuste evaluatiestrategie met 100 onafhankelijke experimentele runs (10 datasets $\times$ 10 trainingsruns) werd gebruikt om de stabiliteit te beoordelen. Prestaties werden gemeten via AUC en de $F_{pb}$ score (een proxy voor de F1-score in PU-settings).
Interpretabiliteit en Stabiliteitsanalyse:
- SHAP Analyse: SHapley Additive exPlanations werden gebruikt om de bijdragen van features te kwantificeren en de beslissingslogica van de hoogdimensionale embeddings te interpreteren.
- Stabiliteitsmetrieken: De Spearman's Rank Correlation Coefficient werd berekend over de 100 runs om de consistentie van de rangschikking van feature-belangrijkheid te evalueren.

Belangrijkste Bijdragen

PU-Learning Implementatiestrategie: De studie vestigt een workflow voor engineering-geologische gevoeligheidsbeoordeling onder onbetrouwbare negatieve labels, waarbij gebruik wordt gemaakt van PBLC om te leren van positieve inventarissen en ongelabelde data zonder handmatige negatieve bemonstering.
Systematische Benchmark van GeoFM Embeddings: Het biedt een vergelijkende analyse van Embedding-only, Traditional-only en Fused feature sets, waarbij de baseline capaciteit van GeoFMs en de marginale winst door fusie wordt gekwantificeerd.
Richtlijnen voor Hoogdimensionale Embeddings: Het onderzoek diagnosticeert expliciet de redundantie in GeoFM embeddings en evalueert optimalisatiestrategieën (PCA, regularisatie), wat praktische begeleiding biedt bij het balanceren van voorspellende nauwkeurigheid met modelrobuustheid en interpreteerbaarheid.

Resultaten

Prestaties: Het Fused model (Embeddings + Traditionele factoren) behaalde de hoogste mediane AUC en $F_{pb}$ scores met de smalste interkwartielbereiken, wat wijst op superieure precisie en stabiliteit. Het Embedding-only model diende als een concurrerende, lage-preprocessing baseline, maar vertoonde een lagere stabiliteit.
Ruimtelijke Selectiviteit: Het Fused model bracht de meest geconcentreerde zones met een hoge gevoeligheid in kaart. Het legde de meerderheid van de aardverschuivingen vast binnen slechts 6,3% van het studiegebied, waarbij een aardverschuivingsdichtheid bereikte die ongeveer 24 keer hoger was dan het achtergrondniveau.
Reductie van Vals-Positieven: In sterk verstedelijkte gebieden (bijv. het schiereiland Kowloon) vertoonde het Traditional-only model "hoogte-misleiding" (elevation deception), waarbij een hoge gevoeligheid werd toegewezen aan kunstmatige steile oppervlakken (taluds, verhoogde wegen). Het Fused model, dat gebruikmaakt van GeoFM oppervlaktesemantiek, verminderde deze vals-positieven aanzienlijk terwijl de nauwkeurigheid in natuurlijk bergachtig terrein behouden bleef.
Feature Belangrijkheid: SHAP-analyse bevestigde dat hoewel traditionele factoren (helling, lithologie, landgebruik) dominant bleven, de inclusie van embeddings de weging verschoof naar geologische en hydrologische variabelen. De bijdragen van de embeddings waren gelijkmatiger verdeeld dan die van de fysische factoren.
Stabiliteit versus Nauwkeurigheid: Ablatie-studies toonden aan dat het verwijderen van PCA (het gebruik van ruwe embeddings) slechts marginale winsten opleverde in testmetrieken, maar leidde tot een substantiële afname in de stabiliteit van de feature-belangrijkheid (lagere SHAP Spearman correlatie) en een grotere overfitting-kloof. Daarom is dimensionaliteitsreductie cruciaal voor robuuste implementatie.

Betekenis en Claims
Het artikel claimt dat deze workflow snelle engineering-geologische screening en gedetailleerde gevoeligheidsbeoordeling ondersteunt onder realistische labelbeperkingen. Het stelt een tweeledig framework voor:

Niveau 1 (Snelle Respons): Gebruik van Embedding-only PU-modellen voor noodsituaties of regio's met weinig data waar negatieve labels niet beschikbaar zijn en de tijd voor preprocessing beperkt is.
Niveau 2 (Gedetailleerde Beoordeling): Gebruik van Fused modellen met dimensionaliteitsreductie voor post-disaster planning en locatiekeuze, om te zorgen dat resultaten statistisch accuraat, fysiek interpreteerbaar en robuust zijn.

De studie concludeert dat GeoFM embeddings traditionele fysische factoren niet vervangen, maar deze aanvullen door fijnmazige oppervlaktesemantiek te bieden die de tekortkomingen van zuivere fysische logica (bijv. in stedelijke omgevingen) oplossen. Hoewel de impliciete spatio-temporele codering in AlphaEarth embeddings de representatie van cumulatieve omgevingsverandering stroomlijnt, merkt de auteur bescheiden op dat dit een aanvulling is op, en geen vervanging voor, expliciet dynamische trigger-variabelen (bijv. realtime neerslag). Het framework wordt gepresenteerd als een praktisch instrument voor het prioriteren van veldonderzoek, in plaats van een vervanging voor locatie-specifieke geotechnische analyse.

Meer zoals dit