迈向灾害响应中的生成式位置感知：一种基于概率的跨视图地理定位方法

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Towards generative location awareness for disaster response: A probabilistic cross-view geolocalization approach

针对气候变化下灾害频发，提出基于概率与确定性融合的跨视角灾害地理定位方法ProbGLC，通过生成模型量化不确定性并提升定位精度，在飓风、洪水等灾害数据集上验证准确率达0.86-0.97。

　　

郝莉|法比安·德乌瑟|尹文平|斯特芬·克诺布劳赫|赵武凡|菲利普·比尔耶茨基|薛勇|黄伟

新加坡国立大学地理系，新加坡，117570

摘要

随着地球气候的变化，它正在影响全球的灾害和极端天气事件。破纪录的热浪、暴雨、严重的野火以及飓风期间的广泛洪水都变得更加频繁和强烈。对灾害事件的快速高效响应对于提高气候适应性和可持续性至关重要。灾害响应中的一个关键挑战是准确及时地识别灾害位置，以支持决策和资源分配。在本文中，我们提出了一种概率交叉视图地理定位方法，称为ProbGLC，探索了实现快速灾害响应的新的位置感知途径。该方法将概率地理定位模型和确定性地理定位模型结合到一个统一的框架中，同时提高了模型的可解释性（通过不确定性量化）并实现了先进的地理定位性能。ProbGLC专为快速灾害响应而设计，能够处理多种灾害事件的交叉视图地理定位，并具有概率分布和定位分数的独特特性。为了评估ProbGLC，我们在两个公开的灾害地理数据集（MultiIAN和SAGAINDisaster）上进行了广泛的实验，这些数据集包含了多种类型的灾害（例如飓风、野火、洪水和龙卷风）的交叉视图图像对。初步结果证实了ProbGLC方法的优越地理定位准确性（即在Acc@1km为0.86，在Acc@25km为0.97）和模型可解释性（通过概率分布和定位分数），突显了利用生成式交叉视图方法来促进更快速、更有效的灾害响应的巨大潜力。数据和代码可在以下链接公开获取：https://github.com/bobleegogogo/ProbGLC。

引言

由于气候变化和快速城市化，全球的灾害变得越来越频繁和严重（Dietze和Ozturk，2021；Nohrstedt等人，2022）。与过去30年（即1994-2023年）的平均水平相比，2025年的主要自然灾害在频率上增加了8%，死亡人数增加了74%，受影响的人口增加了42%，直接经济损失增加了49%（Delforge等人，2025）。有效和高效的灾害响应依赖于快速的情况感知，包括迅速检测受影响区域、评估损失以及了解地面通行限制。快速情况感知的一个初步和关键前提是准确定位受影响区域和社区（Li等人，2025）。精确的位置信息有助于及时决策、有效分配紧急资源以及高效的恢复工作（Cai等人，2018；Huang等人，2018；Zou等人，2023；Feng等人，2022；Macatulad和Biljecki，2024）。当正确识别出灾害位置时，救援团队可以更好地评估损失程度，优先处理紧急需求，并向最脆弱的人群提供援助。在这种情况下，灾害地理定位已成为一项关键任务。

最近，地理定位技术主要沿着两个方向发展：基于文本的方法和基于图像的方法。基于文本的方法依赖于志愿地理信息（VGI）图像、社交媒体帖子和其他文本数据源（Zou等人，2018；Lam等人，2023；Yin等人，2025c）。自然语言处理技术提取地名，将其与地名录关联起来，并在缺少坐标时从上下文线索中推断位置（X. Hu等人，2023）。这些方法能够从大量在线文本中快速识别受影响区域，并在灾害期间提供有价值的实时信息。基于图像的方法通常包括地面视图图像检索、交叉视图图像检索以及二维-三维（2D-3D）匹配，用于处理不同类型的图像数据。早期的研究强调特征匹配（Workman等人，2015），而最近的工作则利用深度学习来学习地面图像和 overhead 图像之间的共享表示（Lin等人，2015）。在这些方法中，交叉视图地理定位在灾害背景下尤为重要，因为它将众包的地面图像与卫星图像结合起来，以精确定位受损区域（Deuser等人，2023；Zeng等人，2025；Li等人，2025）。例如，2022年飓风Ian过后收集的街景图像（SVI）为佛罗里达海岸提供了快速的情况感知；然而，从垂直卫星视图转换为地面SVI视角对于自动化地理定位来说仍然具有挑战性，需要交叉视图技术（Manzini等人，2023）。尽管交叉视图地理定位的进步改善了灾害监测和响应，但大多数现有方法仍然是黑箱模型，因为它们的可解释性有限。

可解释性已成为地理空间人工智能（GeoAI）中的一个核心问题，因为黑箱模型限制了透明度并阻碍了操作部署（Hsu和Li，2023；Li等人，2024；Liu等人，2024）。为了解决这个问题，提出了各种可解释的AI（XAI）方法。后处理技术如显著性图、基于梯度的归因、SHAP和Grad-CAM旨在突出对模型输出贡献最大的输入区域或变量（H?hl等人，2024；Foroutan等人，2025）。基于注意力的可视化和概念级推理进一步提供了对AI模型内部决策过程的洞察（Dehimi和Tolba，2024）。此外，模型内在的方法，包括可解释的架构、物理感知设计和基于规则的系统，将可解释性直接嵌入到模型设计中（C. Hu等人，2023）。虽然这些进步在地理空间应用中显示出强大的潜力，但它们在灾害相关地理定位中的可行性和适用性仍然有限：解释往往粗糙、在不同场景下不稳定或难以解释。这一差距凸显了迫切需要领域导向的可解释性技术，以便在灾害响应中提供可信和可操作的洞察。

在此背景下，本文提出了一种概率性交叉视图地理定位方法，即ProbGLC，旨在促进快速灾害响应的生成式位置感知。在ProbGLC中，我们将概率地理定位方法和确定性地理定位方法仔细整合到一个统一的框架中，同时确保了模型的可解释性（通过不确定性量化）并实现了先进的地理定位性能。ProbGLC专为快速灾害响应而设计，通过帮助缩小感兴趣区域（AOI）来超越确定性地理定位方法，如图1所示，这在灾害响应场景中极为重要，因为每一秒都至关重要。ProbGLC的主要贡献总结如下：

• •
  在多种灾害事件（例如飓风、野火、洪水和龙卷风）中提供有竞争力的地理定位性能。
• •
  提供独特的密度分布和定位分数特性，以实现更加注重不确定性的地理定位过程。
• •
  通过直接在球面上进行黎曼流匹配，改进确定性方法，实现生成式概率预测。

本文的其余部分组织如下：第2节回顾了先进的GeoAI方法和不确定性量化的相关工作。第3节描述了所提出的ProGLC方法以及生成式和确定性地理定位方法。第4节展示了在两个公开可用的灾害地理数据集上的实验结果。第5节讨论了关键发现、局限性和未来方向，第6节总结了本文的主要贡献。

部分片段

气候变化与灾害韧性

气候变化加剧了极端天气事件的频率和严重性，包括飓风、强降雨和沿海风暴潮（Ellis等人，2024）。这些现象不再是孤立的现象，而是越来越频繁出现的模式，对人类居住区和基础设施构成长期风险（Jones等人，2012）。全球气温上升导致海平面上升和大气湿度增加，这两者都直接增加了

符号和使命声明

给定一组与灾害相关的VGI图像$\left\{L_c\right\}$和卫星图像$\left\{L_s\right\}$，我们的目标是预测图像对拍摄位置的最可能位置$x_0$（经度和纬度）。与纯确定性方法不同，我们将条件概率分布$P(x_n\mid c)$建模为一个生成过程，其中$x_n$可以是地球上的任何点，模型化为单位球面$S^2$，而$c$是作为查询输入的VGI图像的嵌入。这里，随机噪声表示为$?$

数据集概述

在这项工作中，我们使用两个公开可用的灾害地理数据集来评估所提出的方法，即MultiIAN和SAGINDisaster数据集，它们的地理重点和灾害类型如图5、图6所示。

对于MultiIAN数据集（Yin等人，2025b），它关注2022年9月底至10月初发生的5级大西洋飓风Ian之后的美国东南部和古巴西部。

讨论

在这项工作中，我们提出了一种概率性交叉视图地理定位方法，简称ProbGLC，作为实现快速灾害响应的生成式位置感知的新途径。尽管我们获得了鼓舞人心的初步结果，但仍有一些问题值得进一步讨论和关注。

生成式交叉视图方法：ProbGLC方法的一个主要贡献是引入了生成式训练方法（通过扩散和流匹配）到图像中

结论

在本文中，我们提出了一种新颖的交叉视图灾害地理定位方法，称为ProbGLC，旨在实现快速灾害响应的生成式位置感知。ProbGLC是第一个将概率地理定位模型和确定性地理定位模型结合到一个统一框架中的模型，这在模型可解释性（通过不确定性量化）和先进的地理定位性能方面带来了独特的好处

CRediT作者贡献声明

郝莉：撰写——审阅与编辑，撰写——原始草稿，监督，软件，资源，项目管理，方法论，研究，资金获取，正式分析，数据管理，概念化。法比安·德乌瑟：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，软件，方法论，数据管理，概念化。尹文平：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，软件，方法论，数据

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

我们想感谢编辑和审稿人的宝贵意见，这些意见有助于提高我们手稿的质量。这项工作得到了新加坡国立大学的“用于气候适应型城市环境的地理空间人工智能”（Start-Up Grant (SUG) 项目（E-109-00-0036-01）的支持。