全局-局部特征上下文与重建：一种可迁移的对地观测洪水分割方法

《Remote Sensing》：GL-FCR: A Global–Local Feature Context and Reconstruction Decoder for Transferable Foundation Model-Based Flood Mapping

　　从对地观测（EO）影像中进行准确且可迁移的洪水分割仍然具有挑战性，因为针对特定地理区域和环境条件训练的模型通常表现出有限的泛化能力。本研究提出了全局–局部特征上下文与重建（GL-FCR），这是一种任务特定的下游解码器，旨在使紧凑的EO基础模型表示适应空间细节丰富的洪水制图。GL-FCR与Prithvi-EO-2.0集成，在保持预训练表示中上下文信息的同时，增强了密集洪水地图的重建能力。在SEN1Floods11标准测试集上，Prithvi + GL-FCR实现了91.08%的洪水F1分数，而在原始实验中，地理上留出的玻利维亚子集为90.02%。在三个随机种子下，GL-FCR在标准测试集和玻利维亚子集上分别实现了83.07 ± 0.50%和81.53 ± 0.27%的平均洪水IoU分数，证明了训练运行之间的可重复性能。额外的仅SAR和光学–SAR实验表明，TerraMind-B + GL-FCR在仅SAR条件下表现最强，在标准测试集和玻利维亚子集上的F1分数分别为81.53%和82.28%，而将SAR添加到强晴空光学表示中仅带来有限的额外收益。此外，在所有509个WorldFloods v2场景上的零样本跨数据集评估显示，Prithvi + GL-FCR的洪水F1分数为84.56%，洪水IoU为73.24%，而Prithvi原生解码器分别为83.35%和72.15%，无需额外训练或自适应。总体而言，结果表明，任务特定的全局–局部重建能够有效利用EO基础模型表示，实现跨地理区域和数据集的准确且可迁移的洪水分割。