Leveraging geospatial foundation model embeddings for local-scale landslide susceptibility mapping via positive-unlabeled learning
本研究提出了一种面向部署的工作流，该工作流将 AlphaEarth 基础模型嵌入与正向无标签学习相结合，以克服标签和冗余挑战，通过有效地将可迁移的地理空间表示与传统物理特征进行融合，实现了香港高选择性的局部尺度滑坡易发性制图。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年，暴雨与陡峭的地形共同作用，导致数以吨计的岩石和土壤从山坡滑落，威胁着生命与基础设施的安全。在像香港这样城市紧邻险峻山脉建设的地方，预测这些滑坡可能发生的位置是关乎生命安全的紧迫事项。几十年来，专家们通过测量物理因素来绘制这些风险图，例如坡度、地下的岩石类型、土壤中的水分流量以及山坡距离河流的远近。这些测量数据虽然可靠，但往往会忽略那些能够预示危险的、细微且复杂的地面纹理。近年来，一种新型的人工智能应运而生，它通过对海量卫星图像进行训练，能够识别出人类难以察觉的地表模式。这些被称为“地理空间基础模型”的系统可以生成景观的数字“指纹”，同时捕捉有关植被、土壤和人类活动的细节。目前的挑战在于，如何利用这些强大且抽象的指纹来预测特定局部地区的滑坡，尤其是在可用数据不完整的情况下。
来自中山大学的研究团队通过将这些先进的 AI 指纹与一种处理不完整数据的巧妙方法相结合，解决了这一难题。在现实世界中，科学家们确切知道滑坡发生的地点，但却很少能确定哪些地方没有发生过滑坡。地图上的一个点如果没有记录滑坡，可能意味着那里很安全，也可能仅仅是因为最近没有人去观察那里。传统的计算机模型在处理这种不确定性时表现挣扎，因为它们通常需要一份清晰的“安全”地点清单来进行学习。为了解决这个问题，研究人员使用了一种称为“正向非标记学习”（positive-unlabeled learning）的方法。该模型不再试图猜测哪些地点是安全的，而是通过学习已确认的滑坡位置，并将其他所有地点视为“未知”。这使得系统能够在不需要完美安全区域清单的情况下，学习危险模式。研究人员在香港测试了这种方法，向模型输入了两类信息：传统的物理测量数据，以及来自名为 AlphaEarth 系统的全新 AI 生成指纹。他们想看看这些 AI 指纹能否独立发挥作用，或者是否在与传统物理数据结合时效果最佳。
结果显示，虽然仅靠 AI 指纹可以做出尚可的预测，但它们并非全部。当研究人员将 AI 指纹与传统的物理因素结合时，模型的准确性和稳定性显著提高。这种结合的方法实现了一项卓越的成就：它以更高的精度识别出了高风险区域。在结合模型识别出的最危险区域中，实际滑坡的密度比平均背景水平高出约 24 倍。更令人印象深刻的是，该模型在仅将研究区域的 6.3% 标记为高风险的情况下，成功捕捉到了大多数已知的滑坡事件。这种专注度对于应急管理人员至关重要，因为它使他们能够将资源集中在最关键的点位，而不是将资源分散在广阔的区域。
其中一个最有趣的发现是，AI 指纹如何帮助模型避免了一个常见的错误。在拥挤的城市中，传统模型经常会被陡峭的人造结构（如公路路堤或高大建筑的侧面）所迷惑。因为这些结构在地图上看起来很陡，模型有时会将它们标记为危险，尽管它们是经过工程加固以保持稳定的。然而，AI 指纹包含了关于表面纹理和材质的细微信息，能够区分自然不稳定的山坡与坚固的人造墙体。通过引入这些指纹，模型停止了将这些城市结构标记为高风险，从而在正确识别真正危险的自然坡度的同时，减少了误报。这表明，AI 并不是在取代物理测量，而是在增加一层精细的细节，帮助模型理解景观的语境。
该研究还强调了如何处理这些复杂的 AI 数据的重要性。AI 生成的原始指纹具有极高的维度，这意味着它们包含数百个相互关联的数字，如果不对其进行清理，可能会让计算机模型感到困惑。研究人员发现，如果直接将原始数据输入系统，模型的逻辑会变得不稳定且难以理解。通过使用一种技术在模型接收数据之前对其进行简化和组织，他们确保了最终的预测不仅准确，而且具有一致性和可靠性。这一步骤对于使该技术在现实世界中具备可用性至关重要，因为工程师需要能够信任他们所看到的地图是合理的。
最终，这项研究为灾害管理提供了一条切实可行的路径。它提出了针对不同情况的两步走方案：当灾害发生或数据匮乏时，仅使用 AI 指纹的模型可以提供快速、自动化的评估，以初步了解危险程度；当时间和资源允许进行更详细的分析时，将这些指纹与传统的物理数据相结合，则可以创建一张高度精确的地图，用以指导工程决策和实地调查。这项工作证明，虽然人工智能非常强大，但其最大的价值往往来自于与人类知识协同工作——在传统方法力所不及之处填补空白，并帮助我们在不断变化的世界中洞察隐藏的风险。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。