用于快速监测未知异常的地球表面免疫系统

在气候变化升级和人类活动不断扩大的推动下，地球表面异常现象的频率和多样性都在增加，但其有限的历史数据和不可预测性使其与传统的遥感目标有着根本的不同。现有方法解决特定的异常类别或停留在本地化，在检测和可操作信息之间留下差距。在这里，我们介绍 ESIA，一种地球表面免疫系统，其架构受到生物免疫系统的三个原理的约束，经过数百万年的改进，以应对同样多样化和不确定的威胁。非特异性先天免疫阶段将异常视为时间序列卫星图像中未观察到的变化，以 14.51 km2/s 的速度生成二进制定位图，而不假设任何异常类别，超过 F1 中最强的一般基线 37%。特定的适应性免疫阶段应用负选择来过滤文本提示，并通过多模态基础模型将幸存的提示与局部图像块进行匹配，从而实现对未知异常属性（包括类别、受影响区域和损坏严重程度）的开放词汇识别，识别F1超过80%。突变机制在测试时调整最小嵌入，使用单个参考图像对在 3.26 秒内适应每个场景。我们在覆盖 19,801.60 平方公里、涵盖六个异常类别的全球规模数据集上验证 ESIA，与 22 个模型进行比较，并进一步将其应用于量化卡霍夫卡大坝倒塌后第聂伯河三角洲的退化农田，并评估 2025 年洛杉矶帕利塞兹火灾的烧伤严重程度。这种处理未知异常的前所未有的灵活性为实时灾难响应和环境监测开辟了新途径。