使用 AlphaEarth 基金会进行贫民窟检测和密度测绘：全球 12 个城市的表示学习评估

像素级贫民窟测绘长期以来一直受到跨城市推广有限、缺乏连续密度估计以及全球可比性较弱的限制。 AlphaEarth Foundations (AEF) 是全球一致的 10 m 64 维年度表面嵌入，为轻量级贫民窟监测提供了新的分析就绪基础，但其对贫民窟检测（由建筑形式和社会经济过程塑造的间接耦合任务）的适用性仍未经过测试。我们使用 GRAM 伪掩模作为监督标签，在 12 个城市和 69 个城市年对（2017-2024）的贫民窟分类和子像素密度估计上评估 AEF。该评估涵盖四种训练策略、两种协议（随机分割和 3x3 空间块交叉验证）、六种辅助特征配置和五种基线模型，并辅以表示级分析（PCA、SHAP）和全 AOI 映射。出现了五项发现。 （1）同城跨年训练在两种协议下都是最优的（中位空间F1 = 0.616，R^2 = 0.466）；时间扩张优于跨城市转移，表明城市规模的代表性漂移。 (2) 回归 R^2 主要由零/非零边界辨别驱动：正像素 R^2 在所有城市中始终为负，这表明对 10 m 处像素内密度梯度进行建模的能力有限。 (3) PC36 在各项任务中始终排名第一；分类在 k = 32 时饱和，而回归在 k = 64 时保持不饱和。 (4) POI 特征产生最大的密度增益 (Delta R^2 = +0.064)。 (5) 对于满足双任务可用性阈值的六个城市，2017-2024 年的完整 AOI 推断保留了贫民窟集群结构（平均 SSIM = 0.926）。该研究描述了贫民窟监测基础模型嵌入的功能和互补性需求。