超越反向散射：AlphaEarth 土地覆盖先验，用于跨基金会主干网快速 SAR 洪水分割

快速洪水测绘对于应急响应至关重要，但光学图像在大洪水期间通常无法使用，并且单时相合成孔径雷达 (SAR) 不明确，因为新的洪水、永久积水和其他光滑表面会产生类似的反向散射。本研究评估当注册的、季节性匹配的事件前采集不可用时，稳定的土地背景先验是否可以改善事件后 SAR 洪水分割。使用 ImpactMesh-Flood 的 CONUS（美国大陆）子集，我们比较了跨越不同预训练方案的四个主干网络 - 从头开始的 CNN UNet、ImageNet 预训练的 UNet、SAR 预训练的 TerraMind Vision Transformer 和光学卫星预训练的 DINOv3 Vision Transformer - 仅在 SAR 中， SAR+DEM 和 SAR+AlphaEarth 配置采用相同的融合设计、训练协议和事件分层分割。模型是根据验证洪水事件选择的，并根据两个保留事件（佛罗伦萨飓风和路易斯安那洪水）分别进行评估，并针对辅助配置提供三种子报告。两个辅助先验都比在所有主干网和测试事件中观察到的仅 SAR 基线有所改进。 AlphaEarth 在难度更大的佛罗伦萨赛事中的每个骨干网都超过了 DEM，并取得了最好的佛罗伦萨 IoU，而 DEM 在路易斯安那州具有竞争力，并在那里产生了最好的结果。种子分析揭示了一种权衡：DEM 在初始化过程中更加稳定，而 AlphaEarth 在较困难的事件中提供更高的峰值性能和更高的召回率。跨事件差异跟踪洪水级别的流行率和与训练分布的相似性，强调了对每个事件进行评估的必要性。我们将单时间 SAR 洪水分割重新定义为雷达观测和稳定的地表先验之间的对齐，其中学习和物理背景为更可靠的快速洪水绘图提供了补充途径。