ZeroFlood: A Geospatial Foundation Model for Data-Efficient Flood Susceptibility Mapping

📄 arXiv: 2510.23364v1 📥 PDF

作者: Hyeongkyun Kim, Orestis Oikonomou

分类: cs.LG, cs.AI

发布日期: 2025-10-27

备注: Preprint submitted to EUSAR 2026 (under review)

💡 一句话要点

ZeroFlood：一种用于数据高效洪水易感性制图的地理空间基础模型

🎯 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: 洪水易感性制图 地理空间基础模型 跨模态学习 数据稀缺 地球观测 灾害风险管理

📋 核心要点

  1. 传统水动力模型在数据稀缺地区进行洪水易感性制图面临挑战，需要密集的地球物理输入。
  2. ZeroFlood利用地理空间基础模型和Thinking-in-Modality推理，仅用基础地球观测数据进行洪水预测。
  3. 实验表明，ZeroFlood框架能有效提升模型鲁棒性，TerraMind-Large配置F1分数达到67.21。

📝 摘要（中文）

洪水易感性制图（FSM）对于灾害预防至关重要，但在数据稀缺地区仍然具有挑战性，因为水动力模型需要密集的地球物理输入。本研究提出了ZeroFlood，一个用于数据高效FSM的地理空间基础模型框架。该方法通过Thinking-in-Modality（TiM）推理微调地理空间基础模型（GFM），从而能够仅从Sentinel-1或Sentinel-2图像等基本地球观测数据进行洪水预测。通过使用来自数据丰富地区的配对EO和模拟洪水地图，ZeroFlood通过跨模态表征学习弥合了数据可用性差距。使用TerraMind和Prithvi GFM的实验表明，TiM增强了模型的鲁棒性，其中TerraMind-Large配置实现了67.21的F1分数。结果表明，基于基础模型的FSM作为一种可扩展且数据高效的洪水风险管理解决方案是可行的。

🔬 方法详解

问题定义：论文旨在解决数据稀缺地区洪水易感性制图（FSM）的问题。传统的水动力模型需要大量的地球物理数据作为输入，这在数据匮乏的地区是难以实现的。因此，如何利用有限的地球观测数据（如Sentinel-1/2影像）进行准确的洪水预测是本研究要解决的核心问题。现有方法的痛点在于对数据的依赖性高，难以推广到数据稀疏的区域。

核心思路：论文的核心思路是利用地理空间基础模型（GFM）的强大表征能力，通过跨模态学习，将数据丰富地区的地球观测数据和模拟洪水地图的对应关系迁移到数据稀缺地区。通过Thinking-in-Modality (TiM) 推理，增强模型对不同模态数据之间关系的理解，从而提高预测精度。这种方法的核心在于利用预训练模型的能力，减少对特定区域大量标注数据的需求。

技术框架：ZeroFlood框架主要包含以下几个阶段：1) 选择合适的地理空间基础模型（如TerraMind或Prithvi）。2) 利用数据丰富地区的配对地球观测数据（如Sentinel-1/2影像）和模拟洪水地图进行微调。3) 在微调过程中，引入Thinking-in-Modality (TiM) 推理，以增强模型对不同模态数据之间关系的理解。4) 将训练好的模型应用于数据稀缺地区，进行洪水易感性预测。

关键创新：本研究的关键创新在于：1) 提出了ZeroFlood框架，将地理空间基础模型应用于洪水易感性制图。2) 引入了Thinking-in-Modality (TiM) 推理，增强了模型对不同模态数据之间关系的理解，提高了预测精度。3) 实现了在数据稀缺地区仅使用基础地球观测数据进行洪水预测，降低了对大量地球物理数据的依赖。与现有方法的本质区别在于，ZeroFlood利用预训练模型的能力，减少了对特定区域大量标注数据的需求，从而提高了模型的泛化能力。

关键设计：论文中使用了TerraMind和Prithvi等预训练的地理空间基础模型。Thinking-in-Modality (TiM) 推理的具体实现细节未知，但其目标是增强模型对不同模态数据之间关系的理解。损失函数和网络结构等技术细节在论文中没有详细描述，需要进一步查阅相关文献。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ZeroFlood框架在洪水易感性制图方面表现出色。使用TerraMind-Large配置，模型实现了67.21的F1分数，证明了该方法在数据高效性方面的优势。Thinking-in-Modality (TiM) 推理的引入进一步增强了模型的鲁棒性，使其能够更好地应对不同地区的数据差异。这些结果表明，基于基础模型的FSM是一种可行的、可扩展的洪水风险管理解决方案。

🎯 应用场景

ZeroFlood框架可广泛应用于缺乏详细地球物理数据的地区的洪水风险评估和管理。该技术能够利用现有的地球观测数据，快速生成洪水易感性地图，为灾害预防和应急响应提供决策支持。未来，该方法可以扩展到其他自然灾害的风险评估，例如滑坡和地震，为构建更具韧性的社区提供技术支撑。

📄 摘要（原文）

Flood susceptibility mapping (FSM) is vital for disaster prevention but remains challenging in data-scarce regions where hydrodynamic models require dense geophysical inputs. This work introduces ZeroFlood, a geospatial foundation model framework for data-efficient FSM. The approach fine-tunes Geospatial Foundation Models (GFMs) with Thinking-in-Modality (TiM) reasoning, enabling flood prediction from basic Earth observation data such as Sentinel-1 or Sentinel-2 imagery. Using paired EO and simulated flood maps from data-rich regions, ZeroFlood bridges data availability gaps through cross-modal representation learning. Experiments with TerraMind and Prithvi GFMs show that TiM enhances model robustness, with the TerraMind-Large configuration achieving an F1 score of 67.21. The results demonstrate the feasibility of foundation-model-based FSM as a scalable and data-efficient solution for flood risk management.