Clay-CNN 混合体：利用地理空间基础模型作为山体滑坡检测的辅助环境

快速的山体滑坡灾后测绘对于灾害响应至关重要，但由于类别极端不平衡，仍然难以实现自动化。本研究评估了地理空间基础模型 (GFM) Clay v1.5 是否可以在 Landslide4Sense (L4S) 基准上改进像素级滑坡分割，该基准包含 3,799 个训练芯片，其中有 14 个 Sentinel-2 和地形带以及大约 2% 的正像素。我们比较了三种策略：Clay 作为具有多尺度残差地形融合的主要编码器、在瓶颈处用 Clay 语义上下文增强的 U-Net 主干网以及标准 U-Net 基线。具有两阶段低秩适应 (LoRA) 的混合 U-Net + Clay 模型在三个种子中实现了 64.5 +/- 1.8% 的最佳测试 F1，超过了仅 Clay 骨干网 (55.2 +/- 3.6%) 和 U-Net 基线 (59.9%)。由于缺乏多尺度跳跃连接，Clay 作为独立编码器的性能低于 U-Net，但当作为辅助上下文注入时，其预训练表示不断提高性能。这些发现表明，当 GFM 补充而不是取代空间详细的卷积架构时，它对于滑坡检测最为有效。