使用 Sentinel-2 数据进行野火测绘的地理空间基础模型的低秩适应

野火烧毁区域测绘对于损害评估、排放建模以及了解不同生态区域的火灾与气候相互作用至关重要。最近的地理空间基础模型为卫星图像提供了强大的通用表示，但对于如何有效地使这些模型适应下游地球观测任务，特别是在地理和时域转移的情况下，仍然没有清晰的认识。本研究评估了三种最先进的地理空间基础模型 (GFM) - Terramind、DINOv3 和 Prithvi-v2 - 使用 Sentinel-2 数据绘制美国和加拿大的烧毁区域地图。利用 2017 年至 2023 年期间的 3,820 起野火事件，我们在不同的生物群落中进行了空间和时间概括测试。我们系统地比较了完整的 微调、仅解码器的 微调 和低秩适应 (LoRA) 以适应每个模型。在所有实验中，LoRA 提供了最强的跨域泛化能力，同时更新了不到 1% 的参数，证明了准确性和效率之间的有利权衡。与完整的 微调 相比，带有 LoRA 的 Prithvi-v2 实现了最高的整体精度和最大的改进。这些发现表明，地理空间基础模型在使用 LoRA 等轻量级参数高效方法进行调整时，可以为大规模烧毁区域测绘提供强大且可扩展的解决方案。代码可在 https://github.com/alishibli97/wildfire-lora-gfm 获取。