📄 ciências da terra

Leveraging geospatial foundation model embeddings for local-scale landslide susceptibility mapping via positive-unlabeled learning

Este estudo propõe um fluxo de trabalho orientado à implementação que integra embeddings do modelo de fundação AlphaEarth com aprendizado positivo-não rotulado para superar desafios de rotulagem e redundância, alcançando o mapeamento de suscetibilidade a deslizamentos em escala local altamente seletivo em Hong Kong ao fundir efetivamente representações geoespaciais transferíveis com características físicas tradicionais.

Autores originais: Mingxuan Li, Wenkai Li, Hongliang Liu, Changshan Liang

Publicado 2026-09-24

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mingxuan Li, Wenkai Li, Hongliang Liu, Changshan Liang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Todos os anos, chuvas intensas e terrenos íngremes conspiram para enviar toneladas de rocha e solo deslizando encosta abaixo, ameaçando vidas e infraestruturas. Em lugares como Hong Kong, onde as cidades são construídas coladas a montanhas escarpadas, prever onde esses deslizamentos podem ocorrer é uma questão de segurança urgente. Durante décadas, especialistas mapearam esses riscos medindo fatores físicos: o quão íngreme é uma encosta, que tipo de rocha jaz por baixo, quanta água flui através do solo e a que distância uma colina está de um rio. Essas medições são confiáveis, mas frequentemente perdem as texturas sutis e complexas do solo que sinalizam o perigo. Nos últimos anos, um novo tipo de inteligência artificial surgiu, treinada em vastas quantidades de imagens de satélite para reconhecer padrões na superfície da Terra que os humanos não conseguem ver facilmente. Esses sistemas, conhecidos como modelos de fundação geoespaciais, podem gerar uma "impressão digital" digital de uma paisagem, capturando detalhes sobre vegetação, solo e atividade humana, tudo ao mesmo tempo. O desafio tem sido descobrir como usar essas impressões digitais poderosas e abstratas para prever deslizamentos de terra em áreas locais específicas, especialmente quando os dados disponíveis são incompletos.

Uma equipe de pesquisadores da Universidade Sun Yat-Sen abordou esse problema combinando essas impressões digitais avançadas de IA com uma maneira inteligente de lidar com dados incompletos. No mundo real, os cientistas sabem exatamente onde os deslizamentos ocorreram, mas raramente sabem com certeza onde eles não ocorreram. Um ponto em um mapa sem um deslizamento registrado pode ser seguro, ou pode ser apenas um lugar que ninguém observou recentemente. Modelos computacionais tradicionais lutam contra essa incerteza porque geralmente exigem uma lista clara de pontos "seguros" para aprender. Para contornar isso, os pesquisadores usaram um método chamado aprendizado positivo-não rotulado (positive-unlabeled learning). Em vez de tentar adivinhar quais pontos são seguros, o modelo aprende com as localizações confirmadas de deslizamentos e trata todo o resto como "desconhecido". Isso permite que o sistema aprenda os padrões de perigo sem precisar de uma lista perfeita de zonas seguras. Os pesquisadores testaram essa abordagem em Hong Kong, alimentando o modelo com dois tipos de informação: as medições físicas tradicionais e as novas impressões digitais geradas por IA de um sistema chamado AlphaEarth. Eles queriam ver se as impressões digitais da IA poderiam subsistir sozinhas ou se funcionariam melhor quando pareadas com os dados físicos da "velha guarda".

Os resultados mostraram que, embora as impressões digitais da IA sozinhas pudessem fazer uma previsão decente, elas não eram toda a história. Quando os pesquisadores combinaram as impressões digitais da IA com os fatores físicos tradicionais, o modelo tornou-se significativamente mais preciso e estável. Essa abordagem combinada fez algo notável: identificou áreas de alto risco com precisão muito maior. Nas zonas mais perigosas identificadas pelo modelo combinado, a densidade de deslizamentos reais foi cerca de vinte e quatro vezes maior do que o nível médio de fundo. Mais impressionante ainda, o modelo conseguiu capturar a maioria dos eventos de deslizamento conhecidos, marcando apenas 6,3 por cento de toda a área de estudo como alto risco. Esse nível de foco é crucial para planejadores de emergência, pois permite que concentrem seus recursos nos pontos mais críticos em vez de dispersá-los por vastas áreas.

Uma das descobertas mais interessantes foi como as impressões digitais da IA ajudaram o modelo a evitar um erro comum. Em cidades povoadas, modelos tradicionais frequentemente se confundem com estruturas artificiais íngremes, como aterros de rodovias ou as laterais de prédios altos. Como essas estruturas parecem íngremes em um mapa, o modelo às vezes as sinalizava como perigosas, embora tenham sido construídas para serem estáveis. As impressões digitais da IA, no entanto, contêm informações sutis sobre a textura da superfície e o material que distinguem uma encosta natural e instável de uma parede sólida e engenheirada. Ao incluir essas impressões digitais, o modelo parou de sinalizar essas estruturas urbanas como alto risco, reduzindo alarmes falsos enquanto identificava corretamente as encostas naturais que estavam verdadeiramente em perigo. Isso sugere que a IA não está substituindo as medições físicas, mas sim adicionando uma camada de detalhe refinado que ajuda o modelo a entender o contexto da paisagem.

O estudo também destacou a importância de como esses dados complexos de IA são manipulados. As impressões digitais brutas geradas pela IA são incrivelmente de alta dimensão, o que significa que contêm centenas de números interconectados que podem confundir um modelo computacional se não forem limpos primeiro. Os pesquisadores descobriram que, se alimentassem o sistema diretamente com os dados brutos, a lógica do modelo tornava-se instável e mais difícil de compreender. Ao utilizar uma técnica para simplificar e organizar esses números antes que o modelo os visse, eles garantiram que as previsões finais não fossem apenas precisas, mas também consistentes e confiáveis. Este passo foi essencial para tornar a tecnologia utilizável no mundo real, onde engenheiros precisam confiar que o mapa que estão observando faz sentido.

Em última análise, esta pesquisa oferece um caminho prático para a gestão de desastres. Ela sugere uma abordagem de dois passos para diferentes situações. Quando um desastre ocorre ou quando os dados são escassos, um modelo usando apenas as impressões digitais da IA pode fornecer uma avaliação rápida e automatizada para obter uma noção rápida do perigo. Quando o tempo e os recursos permitem uma análise mais detalhada, combinar essas impressões digitais com dados físicos tradicionais cria um mapa altamente preciso que pode guiar decisões de engenharia e investigações de campo. O trabalho demonstra que, embora a inteligência artificial seja poderosa, seu maior valor muitas vezes vem de trabalhar ao lado do conhecimento humano, preenchendo as lacunas onde os métodos tradicionais falham e nos ajudando a enxergar os riscos ocultos em nosso mundo em constante mudança.

Resumo Técnico: Aproveitamento de Embeddings de Modelos de Fundação Geoespaciais para Mapeamento de Suscetibilidade a Movimentos de Massa em Escala Local via Aprendizado Positivo-Não Rotulado

Definição do Problema
O mapeamento de suscetibilidade a movimentos de massa (LSM) em escala local é crítico para a gestão de desastres, mas enfrenta dois gargalos primários ao implementar inteligência artificial avançada: a representação eficaz de características e a confiabilidade dos rótulos de treinamento. O LSM convencional baseia-se em fatores condicionantes fisicamente interpretáveis (ex: declividade, litologia), que frequentemente falham em capturar texturas superficiais sutis e interações não lineares complexas. Embora o aprendizado profundo ofereça uma extração de características mais forte, ele tipicamente demanda grandes conjuntos de dados rotulados, que muitas vezes não estão disponíveis em contextos operacionais locais. Além disso, os inventários de movimentos de massa sofrem inerentemente com a falta de amostras negativas confiáveis (não-movimentos); a ausência de um registro não garante estabilidade, o que pode levar a um treinamento enviesado se a amostragem convencional Positivo-Negativo (PN) for utilizada. Adicionalmente, os Modelos de Fundação Geoespaciais (GeoFMs), embora promissores para representações transferíveis, introduzem desafios relativos à redundância de alta dimensão, multicolinearidade e à incerteza sobre se seus embeddings podem subsistir isoladamente ou devem ser fundidos com fatores físicos tradicionais.

Metodologia
Este estudo propõe um fluxo de trabalho orientado para implantação, integrando embeddings do AlphaEarth (um GeoFM) com aprendizado Positivo-Não Rotulado (PU) para abordar essas restrições. O estudo utiliza Hong Kong como banco de testes, utilizando o Inventário de Movimentos de Massa de Terreno Natural Aperfeiçoado (ENTLI) para amostras positivas (1.059 eventos de 2017–2024) e dados de fundo não rotulados.

A metodologia procede através de três fases principais:

Pré-processamento e Otimização de Características:
- Fontes de Dados: 81 variáveis preditoras foram derivadas, incluindo 64 bandas de embedding do AlphaEarth (A00–A63), fatores topográficos, hidrológicos, geológicos, de atividade de superfície e derivados de satélite.
- Diagnóstico de Colinearidade: Análises de Fator de Inflação da Variância (VIF) e correlação de Pearson revelaram severa multicolinearidade interna dentro das 64 dimensões de embedding e redundância entre os embeddings e índices de satélite específicos (NDVI, NDBI).
- Conjuntos de Características: Três configurações foram definidas: Apenas Embedding, Apenas Tradicional (todos os fatores não relacionados a embeddings) e Fundido (todos os fatores).
- Otimização: Para mitigar a multicolinearidade, aplicou-se o Análise de Componentes Principais (PCA) retendo 95% da variância aos conjuntos de Apenas Embedding e Fundido. O NDVI e o NDBI foram excluídos do conjunto Fundido devido à redundância com os embeddings.
Modelagem com Aprendizado Positivo-Não Rotulado:
- Algoritmo: O algoritmo Positive and Background Learning with Constraints (PBLC) foi empregado. Diferente do aprendizado supervisionado padrão, o PBLC treina em movimentos de massa confirmados como positivos e amostras de fundo não rotuladas, estimando a probabilidade posterior de ocorrência de movimentos de massa ao considerar a frequência de rótulos ( $c$ ).
- Arquitetura: Uma Rede Neural Artificial (ANN) totalmente conectada com três camadas ocultas (32, 16, 8 neurônios) serviu como o classificador.
- Função de Perda: Uma função de perda composta ( $L_{total}$ ) combinou Focal Loss (para lidar com o desequilíbrio de classes), um termo de restrição PBLC (assumindo que a probabilidade máxima de movimento de massa $P_{max} \approx 1$ ) e regularização L2.
- Validação: Uma estratégia de avaliação robusta envolveu 100 execuções experimentais independentes (10 conjuntos de dados $\times$ 10 execuções de treinamento) para avaliar a estabilidade. O desempenho foi medido via AUC e o escore $F_{pb}$ (um proxy para o F1-score em configurações PU).
Análise de Interpretabilidade e Estabilidade:
- Análise SHAP: As Explicações Aditivas de SHapley (SHAP) foram utilizadas para quantificar as contribuições das características e interpretar a lógica de decisão dos embeddings de alta dimensão.
- Métricas de Estabilidade: O Coeficiente de Correlação de Posto de Spearman foi calculado ao longo das 100 execuções para avaliar a consistência dos rankings de importância das características.

Principais Contribuições

Estratégia de Implantação de Aprendizado PU: O estudo estabelece um fluxo de trabalho para avaliação de suscetibilidade geológico-de engenharia sob rótulos negativos não confiáveis, utilizando PBLC para aprender com inventários positivos e dados não rotulados sem a necessidade de amostragem negativa manual.
Benchmark Sistemático de Embeddings de GeoFM: Fornece uma análise comparativa de conjuntos de características de Apenas Embedding, Apenas Tradicional e Fundido, quantificando a capacidade basal dos GeoFMs e os ganhos marginais alcançados através da fusão.
Diretrizes para Embeddings de Alta Dimensão: A pesquisa diagnostica explicitamente a redundância nos embeddings de GeoFM e avalia estratégias de otimização (PCA, regularização), oferecendo orientação prática para equilibrar precisão preditiva com robustez do modelo e interpretabilidade.

Resultos

Desempenho: O modelo Fundido (Embeddings + fatores Tradicionais) alcançou os maiores escores medianos de AUC e $F_{pb}$ com os intervalos interquartis mais estreitos, indicando precisão e estabilidade superiores. O modelo de Apenas Embedding serviu como uma linha de base competitiva de baixo pré-processamento, mas apresentou menor estabilidade.
Seletividade Espacial: O modelo Fundido delineou as zonas de alta suscetibilidade de forma mais concentrada. Capturou a maioria dos movimentos de massa em apenas 6,3% da área de estudo, atingindo uma densidade de movimentos de massa aproximadamente 24 vezes superior ao nível de fundo.
Redução de Falsos Positivos: Em áreas altamente urbanizadas (ex: Península de Kowloon), o modelo Apenas Tradicional exibiu uma "decepção de elevação", atribuindo alta suscetibilidade a superfícies artificiais íngremes (aterros, estradas elevadas). O modelo Fundido, aproveitando a semântica de superfície do GeoFM, reduziu significamente esses falsos positivos enquanto mantinha a precisão em terrenos montanhosos naturais.
Importância das Características: A análise SHAP confirmou que, embora os fatores tradicionais (Declividade, Litologia, Uso do Solo) permanecessem dominantes, a inclusão de embeddings deslocou o peso para variáveis geológicas e hidrológicas. As contribuições dos embeddings foram mais distribuídas do que as dos fatores físicos.
Estabilidade vs. Precisão: Estudos de ablação revelaram que remover o PCA (usando embeddings brutos) resultou em ganhos marginais nas métricas de teste, mas causou um declínio substancial na estabilidade da importância das características (menor correlação de Spearman do SHAP) e aumentou as lacunas de overfitting. Assim, a redução de dimensionalidade é crítica para uma implantação robusta.

Significância e Alegações
O artigo alega que este fluxo de trabalho suporta a triagem geológico-de engenharia rápida e a avaliação detalhada de suscetibilidade sob restrições reais de rótulos. Propõe um framework de modo duplo:

Nível 1 (Resposta Rápida): Utilizando modelos PU de Apenas Embedding para situações de emergência ou regiões com escassez de dados, onde rótulos negativos não estão disponíveis e o tempo de pré-processamento é limitado.
Nível 2 (Avaliação Detalhada): Utilizando modelos Fundidos com redução de dimensionalidade para planejamento pós-desastre e seleção de locais, garantindo resultados estatisticamente precisos, fisicamente interpretáveis e robustos.

O estudo conclui que os embeddings de GeoFM não substituem os fatores físicos tradicionais, mas os complementam, fornecendo semânticas superficiais refinadas que resolvem falhas da lógica puramente física (ex: em ambientes urbanos). Embora a codificação espaço-temporal implícita nos embeddings do AlphaEarth otimize a representação da mudança ambiental cumulativa, os autores observam modestamente que isto é um suplemento, e não um substituto, para variáveis de gatilho explicitamente dinâmicas (ex: chuva em tempo real). O framework é apresentado como uma ferramenta prática para priorizar investigações de campo, em vez de um substituto para a análise geotécnica específica de cada sítio.

Mais como este