Slum Detection and Density Mapping with AlphaEarth Foundations: A Representation Learning Evaluation Across 12 Global Cities

📄 arXiv: 2605.10029v1 📥 PDF

作者: Shuyang Hou, Ziqi Liu, Haoyue Jiao, Zhangyan Xu, Xiaopu Zhang, Lutong Xie, Yaxian Qing, Jianyuan Liang, Xuefeng Guan, Huayi Wua

分类: cs.CV

发布日期: 2026-05-11

💡 一句话要点

基于AlphaEarth Foundations表征学习的全球贫民窟检测与密度制图评估研究

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 贫民窟检测 表征学习 遥感影像分析 密度估计 迁移学习 城市计算 基础模型

📋 核心要点

  1. 现有贫民窟制图方法面临跨城市泛化性差、缺乏连续密度估计及全球可比性不足的挑战。
  2. 论文引入AlphaEarth Foundations (AEF) 10米分辨率地表嵌入，评估其在贫民窟分类与密度估计任务中的有效性。
  3. 实验证实同城跨年训练表现最优，POI特征显著提升密度估计精度，且该方法在长期监测中保持了良好的空间结构一致性。

📝 摘要（中文）

像素级贫民窟制图长期受限于跨城市泛化能力差、缺乏连续密度估计及全球可比性弱等问题。AlphaEarth Foundations (AEF) 提供了一种全球一致的10米分辨率、64维年度地表嵌入，为轻量级贫民窟监测提供了新的分析基础。然而，其在贫民窟检测这一受建筑形态与社会经济过程共同影响的间接耦合任务中的适用性尚待验证。本文利用GRAM伪标签作为监督信号，在12个城市、69个城市-年份对上评估了AEF在贫民窟分类与亚像素密度估计中的表现。研究涵盖了四种训练策略、两种验证协议、六种辅助特征配置及五种基线模型。结果表明：同城跨年训练效果最优；回归任务主要受限于零/非零边界区分能力，难以建模10米分辨率下的密度梯度；POI特征对密度估计增益最大。该研究明确了基础模型嵌入在贫民窟监测中的能力边界与互补需求。

🔬 方法详解

问题定义：贫民窟检测不仅依赖于物理建筑形态，还受社会经济过程影响，导致其在遥感影像中表现为复杂的间接耦合特征。现有方法在跨区域泛化时性能衰减严重，且难以实现高精度的连续密度估计。

核心思路：利用预训练的AlphaEarth Foundations (AEF) 64维地表嵌入作为特征基底，通过轻量级模型进行下游任务微调，旨在验证通用地表特征在贫民窟这一特定社会经济任务中的迁移能力与表征潜力。

技术框架：研究构建了包含特征提取、训练策略选择、辅助特征融合及模型评估的完整流程。采用GRAM伪标签作为监督信号，对比了随机划分与3x3空间块交叉验证两种协议，并引入POI等辅助数据增强模型感知能力。

关键创新：首次系统性评估了通用地表基础模型在贫民窟监测中的表现，揭示了“表征漂移”现象，并量化了不同维度嵌入（k=32至64）对分类与回归任务的不同饱和度影响。

关键设计：实验中PC36维度被证明在多任务中表现最优；分类任务在k=32时达到饱和，而回归任务在k=64时仍未饱和，显示出高维特征对密度建模的潜在价值；通过SHAP分析解释了模型对特征的依赖性。

📊 实验亮点

研究发现同城跨年训练在空间F1得分上达到0.616，R²为0.466，表现优于跨城市迁移。POI特征引入使密度估计R²提升0.064。在长期监测中，模型对贫民窟空间结构的保持能力极强，平均结构相似性（SSIM）高达0.926，验证了AEF在时序监测中的鲁棒性。

🎯 应用场景

该研究为全球城市可持续发展监测提供了高效工具，特别适用于资源匮乏地区的贫民窟动态追踪。其成果可辅助城市规划者识别非正规住区，优化公共服务资源分配，并为联合国可持续发展目标（SDG 11）的实现提供量化数据支持。

📄 摘要（原文）

Pixel-level slum mapping has long been constrained by limited cross-city generalisation, the absence of continuous density estimation, and weak global comparability. AlphaEarth Foundations (AEF), a globally consistent 64-dimensional annual surface embedding at 10 m, offers a new analysis-ready basis for lightweight slum monitoring, but its applicability to slum detection - an indirectly coupled task shaped by both built form and socio-economic processes - remains untested. We evaluate AEF on slum classification and sub-pixel density estimation across 12 cities and 69 city-year pairs (2017-2024), using GRAM pseudo-masks as supervisory labels. The evaluation spans four training strategies, two protocols (random split and 3x3 spatial block cross-validation), six auxiliary feature configurations, and five baseline models, complemented by representation-level analyses (PCA, SHAP) and full-AOI mapping. Five findings emerge. (1) Same-city cross-year training is optimal under both protocols (median spatial F1 = 0.616, R^2 = 0.466); temporal expansion outperforms cross-city transfer, indicating city-scale representational drift. (2) Regression R^2 is driven primarily by zero/non-zero boundary discrimination: positive-pixel R^2 is consistently negative across all cities, revealing limited capacity to model intra-pixel density gradients at 10 m. (3) PC36 is consistently top-ranked across tasks; classification saturates at k = 32 while regression remains unsaturated at k = 64. (4) POI features yield the largest density gain (Delta R^2 = +0.064). (5) For six cities meeting dual-task usability thresholds, full-AOI inference across 2017-2024 preserves slum cluster structure (mean SSIM = 0.926). The study delineates the capabilities and complementarity needs of foundation-model embeddings for slum monitoring.