論文の概要: Landslide Hazard Mapping with Geospatial Foundation Models: Geographical Generalizability, Data Scarcity, and Band Adaptability

• arxiv url: http://arxiv.org/abs/2511.04474v1
• Date: Thu, 06 Nov 2025 15:47:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.485068
• Title: Landslide Hazard Mapping with Geospatial Foundation Models: Geographical Generalizability, Data Scarcity, and Band Adaptability
• Title（参考訳）: 地理空間モデルを用いた地すべりハザードマッピング:地理的一般化可能性、データスカシティ、バンド適応性
• Authors: Wenwen Li, Sizhe Wang, Hyunho Lee, Chenyan Lu, Sujit Roy, Rahul Ramachandran, Chia-Yu Hsu,
• Abstract要約: 地すべりマッピングのための地空間基盤モデル(GeoFM)を適用するためのフレームワークを提案する。 Prithvi-EO-2.0はタスク固有のCNN(U-Net, U-Net++)、視覚変換器(Segformer, SwinV2-B)、その他のGeoFMを一貫して上回っている。 我々は,地すべり研究において,計算コストや再利用可能なAI対応トレーニングデータの限定的利用といった課題を強調した。
• 参考スコア（独自算出の注目度）: 11.01843362076594
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Landslides cause severe damage to lives, infrastructure, and the environment, making accurate and timely mapping essential for disaster preparedness and response. However, conventional deep learning models often struggle when applied across different sensors, regions, or under conditions of limited training data. To address these challenges, we present a three-axis analytical framework of sensor, label, and domain for adapting geospatial foundation models (GeoFMs), focusing on Prithvi-EO-2.0 for landslide mapping. Through a series of experiments, we show that it consistently outperforms task-specific CNNs (U-Net, U-Net++), vision transformers (Segformer, SwinV2-B), and other GeoFMs (TerraMind, SatMAE). The model, built on global pretraining, self-supervision, and adaptable fine-tuning, proved resilient to spectral variation, maintained accuracy under label scarcity, and generalized more reliably across diverse datasets and geographic settings. Alongside these strengths, we also highlight remaining challenges such as computational cost and the limited availability of reusable AI-ready training data for landslide research. Overall, our study positions GeoFMs as a step toward more robust and scalable approaches for landslide risk reduction and environmental monitoring.
• Abstract（参考訳）: 地すべりは、生活、インフラ、環境に深刻な被害をもたらし、災害の準備と対応に欠かせない正確かつタイムリーな地図を作成する。 しかし、従来のディープラーニングモデルは、異なるセンサー、地域、あるいは限られたトレーニングデータの条件下で適用される場合、しばしば苦労する。 これらの課題に対処するため,地すべりマッピングのためのPrithvi-EO-2.0に着目した地空間基盤モデル(GeoFMs)のセンサ,ラベル,ドメインの3軸解析フレームワークを提案する。 一連の実験を通して、タスク固有のCNN(U-Net, U-Net++)、視覚変換器(Segformer, SwinV2-B)、その他のGeoFM(TerraMind, SatMAE)を一貫して上回っていることを示す。 このモデルは、グローバルな事前トレーニング、自己スーパービジョン、適応可能な微調整に基づいて構築され、スペクトル変動に対する耐性を示し、ラベルの不足の下で精度を維持し、多様なデータセットや地理的設定をより確実に一般化した。 これらの強みに加えて、計算コストや、地すべり研究のための再利用可能なAI対応トレーニングデータの可用性の制限といった課題も強調する。 本研究は、地すべりリスクの低減と環境モニタリングのための、より堅牢でスケーラブルなアプローチへの一歩として、GeoFMを位置づけている。

関連論文リスト

• GraphVSSM: Graph Variational State-Space Model for Probabilistic Spatiotemporal Inference of Dynamic Exposure and Vulnerability for Regional Disaster Resilience Assessment [0.7237068561453082]
  GraphVSSM(Graph Variational-Space Model)は、グラフ深層学習、状態空間モデリング、変分推論を統合する新しいモジュラーアプローチである。 フィリピンのケソン市における都市全体の実演, ククル海岸地域社会(バングラデシュ)の急激な変化, および泥すべりの影響を受けたフリータウン(シエラレオネ)について検討した。
  論文  参考訳（メタデータ） (2025-08-02T10:49:30Z)
• Landslide Detection and Mapping Using Deep Learning Across Multi-Source Satellite Data and Geographic Regions [0.0]
  地すべりはインフラ、経済、生活に深刻な脅威をもたらす。 深層学習とリモートセンシングの進歩により、自動地すべり検出がますます効果的になっている。 本研究では,多ソース衛星画像と深層学習モデルを統合し,地すべりの識別と予測を強化する包括的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-01T18:34:42Z)
• HyBiomass: Global Hyperspectral Imagery Benchmark Dataset for Evaluating Geospatial Foundation Models in Forest Aboveground Biomass Estimation [1.0408909053766147]
  本研究では,森林表層バイオマス(AGB)推定のためのグローバル分散ベンチマークデータセットを提案する。 このベンチマークデータセットは、環境マッピング・分析プログラム(EnMAP)衛星からのHSIと、AGB密度推定の予測を組み合わせたものである。 このデータセットを用いた実験結果から,評価されたGeo-FMがベースラインU-Netの性能を上回り得るか,場合によっては超えることを示した。
  論文  参考訳（メタデータ） (2025-06-12T21:29:20Z)
• Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
  3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。 大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。 また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
  論文  参考訳（メタデータ） (2025-02-19T14:21:25Z)
• Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
  地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。 合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。 NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。 本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
  論文  参考訳（メタデータ） (2025-01-15T20:24:18Z)
• GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
  本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。 私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。 地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
  論文  参考訳（メタデータ） (2024-11-28T18:59:56Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。