遥感前沿速递-GeoAI|2026-09-22

GeoAI

1

标题：Detecting Irrigation From Spectral Differences Between Satellite and Modeled Soil Moisture Across the Contiguous United States

中文标题：基于卫星与模拟土壤湿度频谱差异识别美国大陆地区灌溉

期刊/会议及发表情况：Geophysical Research Letters；正式发表 / First Published：2026-09-08；Volume 53, Issue 17，Article e2026GL123183。

作者：Christian Massari, Sara Modanesi, Zdenko Heyvaert, Louise Busschaert, Pierre Laluet, Martina Natali, Jacopo Dari, Luca Brocca, Wouter Dorigo, Clement Albergel, Gabri?lle De Lannoy

单位：Institute of Geosciences of the National Research Council, CNR-GEO, Perugia, Italy

DOI / 论文标识：10.1029/2026GL123183

摘要翻译：

灌溉会改变陆地水循环，但其空间分布和时间变化仍缺少约束，因为现有数据集通常依赖间接代理或清单，较少直接连接地表水量平衡过程。本文提出基于小波的方法，通过模拟与卫星观测土壤湿度时间序列之间的频谱差异识别灌溉，并使用 Noah-MP 模拟和土壤湿度与海洋盐度卫星（SMOS）观测。在美国大陆范围内，该方法利用无灌溉模型模拟与卫星观测在季节到次季节尺度上的土壤湿度变化差异，尤其关注 6—18 个月频段。所得土壤湿度灌溉分类与高分辨率光学灌溉数据集互补，同时反映 SMOS 土壤湿度的粗尺度信息。将分类结果纳入 Noah-MP 模拟后，模拟灌溉用水分布得到改善。该框架支持基于卫星土壤湿度的可扩展灌溉识别和地球系统模型中的灌溉表示。

AI 提炼要点：

• 研究问题：从卫星与无灌溉模型土壤湿度的频谱差异中识别人类灌溉活动。
• 数据与方法：融合 2010—2023 年 SMOS 土壤湿度、Noah-MP 模拟、小波特征和 Random Forest，识别 6—18 个月频段灌溉信号。
• 主要结果：生成与高分辨率光学数据互补的灌溉分类，并改善 Noah-MP 模拟灌溉用水分布。

2

标题：Contrasting Impacts of Climate and Vegetation Changes on Water Yield Across Global and Regional Scales

中文标题：全球与区域尺度气候和植被变化对产水量的差异化影响

期刊/会议及发表情况：Water Resources Research；正式发表 / First Published：2026-09-10；Volume 62, Issue 9，e2025WR042668。

作者：Siyu Liu, Tao Lin, Zixu Jia, Meixia Lin, Xiangzhong Guo, Junmao Zhang, Yicheng Zheng, Yuan Chen, Hongkai Geng, Jing Lin

DOI / 论文标识：10.1029/2025WR042668

摘要翻译：

产水量是水资源可利用性的重要指标，气候和植被全球变化使其调控机制日益复杂。现有研究主要关注多个驱动因素的相对贡献和交互路径，对不同区域异质性的认识有限。本文利用 1982—2020 年多源遥感和气象数据开展全球产水量时空分析，结合 Random Forest 和结构方程模型，定量评估气候与植被变化在全球、干旱区和湿润区的相对贡献及作用路径。结果表明，全球和干旱区产水量增加，湿润区产水量下降；气候变化在全球尺度贡献率为 55.11%，在湿润区为 62.00%，植被变化在干旱区贡献率为 64.49%。全球尺度 PDSI、蒸汽压亏缺和风速对产水量具有正向影响，向下短波辐射和 LAI 具有负向影响；PDSI 和 LAI 的作用方向还会随干湿区域发生变化。研究揭示了产水量对气候和植被变化的非线性区域响应。

AI 提炼要点：

• 研究问题：分解气候变化和植被变化对不同气候区产水量的相对贡献与作用路径。
• 数据与方法：使用 1982—2020 年多源遥感 LAI、气象和水文变量，结合 Random Forest 与结构方程模型开展全球、干旱区和湿润区分析。
• 主要结果：全球气候贡献率为 55.11%，湿润区为 62.00%，干旱区植被贡献率为 64.49%；模型 R2=0.73、MAE=1.418 mm yr?1、RMSE=2.191 mm yr?1。

3

标题：Event-Level Attribution of Wildfire Ignition Cause: A Machine-Learning Approach

中文标题：基于机器学习的野火点火原因事件级归因

期刊/会议及发表情况：Geophysical Research Letters；正式发表 / First Published：2026-08-28；Volume 53, Issue 17，Article e2026GL124075。

作者：Kairui Qiu, Yan Yu, Hongxuan Su, Yunxiao Tang, Shuoqing Wang, Xianglei Meng, Qiyu Song, Wei Guo

单位：Department of Atmospheric and Oceanic Sciences, School of Physics, Peking University；Qiyu Song 关联 Harvard University，Wei Guo 关联 Ministry of Emergency Management Big Data Center。

DOI / 论文标识：10.1029/2026GL124075

摘要翻译：

野火点火来源通常为人为或闪电，二者会影响火灾行为和影响范围，但全球事件记录中点火原因稀缺。本文提出机器学习分类框架，利用覆盖气象、地表和社会经济状态的 16 个预测因子，对单次野火点火来源进行归因。研究汇集 17 个区域数据集中的 103 万条火灾记录，训练由 7 个基础学习器组成的软投票集成模型。模型样本内准确率达到 94.2%，在空间和时间样本外评估中保持较好的泛化能力。特征重要性分析显示，近期闪电、气温和人类活动影响是点火来源判断的重要交互因素。该框架为全球事件级野火点火归因和火灾驱动机制研究提供了基础。

AI 提炼要点：

• 研究问题：在缺少可靠点火标签时，区分单次野火的人为点火与闪电点火。
• 数据与方法：融合气象、闪电、MODIS 土地覆盖、SRTM 地形、夜间灯光、道路距离等 16 个变量，使用 17 个区域数据集和软投票集成分类器。
• 主要结果：1.03 百万条记录上的样本内准确率为 94.2%，空间与时间外推仍保持泛化；近期闪电、气温和人类活动是关键预测因素。

4

标题：Re-Evaluating Inherited SIF Anomaly Detection Methods for the 2024 Amazon Drought: A 3D Convolutional Autoencoder Approach

中文标题：重新评估 2024 年亚马逊干旱 SIF 异常检测方法：三维卷积自编码器方法

期刊/会议及发表情况：Geophysical Research Letters；正式发表 / First Published：2026-08-28；Volume 53, Issue 17；Issue 日期：2026-09-16，Article e2026GL122340。

作者：Carmen Oliver Huidobro, Gerbrand Koren

单位：Image Processing Laboratory, University of Valencia；Copernicus Institute of Sustainable Development, Utrecht University

DOI / 论文标识：10.1029/2026GL122340

摘要翻译：

过去十年亚马逊经历了多次严重干旱，如何使用太阳诱导叶绿素荧光（SIF）等遥感指标检测植被胁迫仍有重要问题。本文比较两种应用于 TROPOSIF 数据的异常检测方法：逐像元 z-score，以及学习时空 SIF 模式的三维卷积自编码器（CAE）。研究使用全球标准化降水—蒸散指数 SPEI 和巴西 Monitor de Secas（MSB）两种干旱产品进行评估。结果显示，CAE 识别出范围更广、持续时间更长的异常，与 SPEI 和 MSB 的干旱格局更一致，尤其是在 2024 年 9 月干旱峰值及随后延迟恢复阶段。研究说明，异常检测方法的选择会改变植被胁迫的解释，应结合科学问题谨慎选择。

AI 提炼要点：

• 研究问题：判断异常检测算法如何影响对 2024 年亚马逊干旱空间范围和持续时间的解释。
• 数据与方法：使用 TROPOMI/TROPOSIF 时空数据，比较逐像元 z-score 与 3D CAE，并以 SPEI、MSB 独立核验。
• 主要结果：CAE 检出的异常范围更广、持续更久，且与两套干旱产品更一致，尤其覆盖 2024 年 9 月峰值和延迟恢复阶段。

5

标题：Transfer Learning for Socioeconomic Estimation in Forced-Displacement Settings

中文标题：面向强迫流离失所场景社会经济估计的迁移学习

期刊/会议及发表情况：arXiv 预印本；首次提交：2026-09-14；arXiv:2609.15773。

作者：Steven Ndung’u, Adel Daoud, Ismael Yacoubou Djima, Hai-Anh H. Dang, Patrick Michael Brock

单位：United Nations High Commissioner for Refugees（UNHCR），Denmark

DOI / 论文标识：arXiv:2609.15773

摘要翻译：

包容性住户调查为强迫流离失所人群的生活条件和福利提供了重要基准，但调查成本高、周期长，在脆弱、冲突和暴力环境中难以连续反映变化。本文以地球观测和机器学习提供空间明确、更新频率更高的补充信息为出发点，将在 36 个非洲国家约 120 万户 DHS 数据上预训练的多模态时空视觉 Transformer 适配到南苏丹、喀麦隆和赞比亚的强迫流离失所及接收社区场景，并使用 UNHCR FDS 和 RMS 社会经济指数进行评估。结果显示，卫星衍生地理协变量可解释营地相交网格社会经济结果 66% 的变化，MAE 为 4.37；在非营地相交区域可解释 41% 的变化，MAE 为 5.41。该框架可在调查轮次之间填补空间和时间信息缺口，支持人道主义工作优先级安排与现场核验。

AI 提炼要点：

• 研究问题：评估面向普通人群训练的社会经济模型能否迁移到难民营、境内流离失所者和接收社区。
• 数据与方法：以 Landsat、VIIRS 夜间辐射、Open Buildings 和住户调查为输入，适配多模态时空视觉 Transformer，并在三国 UNHCR 数据上微调。
• 主要结果：营地相交网格 R2=0.66、MAE=4.37，非营地相交区域 R2=0.41、MAE=5.41；模型可提供调查轮次之间的更新估计。

6

标题：Do Satellites See Commuters? A Critical Benchmark of Vision Foundation Models for Generative Urban Flow Networks

中文标题：卫星真的“看得到”通勤者吗？面向生成式城市流网络的视觉基础模型批判性基准

期刊/会议及发表情况：ACM SIGSPATIAL 2026 Accepted Paper；arXiv 首次提交：2026-09-01；会议计划于 2026-11-03—06 举行。

作者：Ashiq Shukoor Iqbal, Wilson Wongso, Flora D. Salim

单位：University of New South Wales, Sydney

DOI / 论文标识：10.1145/3841645.3842989；arXiv:2609.00661

摘要翻译：

卫星基础模型可为通勤起讫流生成提供全球可获得的人口普查替代信息，但此前缺少在同一下游流程中系统比较不同编码器范式的研究。本文在相同 WeDAN 图扩散框架内，对比语言监督的 RemoteCLIP、自监督的 DINOv3、地理定位的 SatCLIP 和 AlphaEarth，并在 1,925 个美国县、325 个英国行政区及 14 个全球城市上使用 5 个随机种子开展实验。语言监督特征在同分布场景表现最佳，RemoteCLIP 的 CPC 为 0.602；地理定位编码器的零样本迁移更可靠，AlphaEarth 在英国数据上的 CPC 比 RemoteCLIP 高 33%。预训练语料规模本身不足以保证社会空间推理能力：DINOv3 在同分布测试中比 RemoteCLIP 低 0.091 CPC，在全球城市降至 0.022；全球城市中最佳模型 CPC 也仅为 0.122，说明跨洲通勤流生成仍存在明显挑战。

AI 提炼要点：

• 研究问题：比较不同遥感视觉基础模型对城市通勤起讫流生成的表征能力及跨区域迁移性。
• 数据与方法：固定 WeDAN 图扩散下游网络，仅替换 RemoteCLIP、DINOv3、SatCLIP、AlphaEarth 四种编码器，在美国、英国和全球城市开展控制实验。
• 主要结果：RemoteCLIP 在美国同分布测试 CPC=0.602；AlphaEarth 在英国零样本迁移优于 RemoteCLIP 约 33%；全球城市最佳 CPC=0.122。

7

标题：Applying foundation model embeddings towards urban livability evaluation

中文标题：利用地理空间基础模型嵌入开展城市宜居性评估

期刊/会议及发表情况：ACM SIGSPATIAL 2026 Accepted Applications Paper；arXiv 预印本，首次提交：2026-09-08。

作者：Ayush Khot, Wen Zhou, Shaowen Wang

单位：University of Illinois Urbana-Champaign

DOI / 论文标识：10.1145/3841645.3843316；arXiv:2609.09429

摘要翻译：

在数据稀缺地区，准确测量社会经济指标仍然具有挑战性，这限制了政策干预和资源配置；高分辨率地理空间数据广泛可得，并可能包含各种宜居性统计信息。本文研究 AlphaEarth、AnySat 和 TerraMind 等基础模型嵌入中编码的物理特征，并提供系统框架以识别最具预测性的地理空间指标。研究分析不同类型地理空间数据对城市宜居性预测的影响，并展示利用基础模型嵌入提高预测性能的方法。该工作为从卫星影像中提取可用于行动的信息提供考虑复杂空间依赖性的原则性方法，可应用于观测数据有限地区的城市宜居性预测。

AI 提炼要点：

• 研究问题：识别地理空间基础模型嵌入所编码的城市宜居性、社会经济条件与物理环境信息。
• 数据与方法：比较 AlphaEarth、AnySat 和 TerraMind 等嵌入，分析不同地理空间特征对宜居性指标预测的作用。
• 主要结果：不同嵌入对不同宜居性指标包含的信息量存在差异，针对目标变量选择嵌入和地理空间特征能够提高预测性能。

8

标题：Geospatial Foundation Models Capture Health-Relevant Dimensions of Place Beyond Conventional Social Risk Indices

中文标题：地理空间基础模型捕捉传统社会风险指数之外的健康相关场所维度

期刊/会议及发表情况：arXiv 预印本；首次提交：2026-09-10。

作者：Nathaniel Hendrix, Carl Y. Zhang, Chris Heitzig, Andrew Bazemore, David H. Rehkopf

DOI / 论文标识：arXiv:2609.11689

摘要翻译：

基于地区的社会风险指数能够概括居民的社会经济状况，但无法完整表征可能影响健康的场所物理特征。本文评估了这样一个问题：由 2022 年卫星数据产生的四类地理空间基础模型数值表征，能否解释地区层面 Area Deprivation Index、Social Deprivation Index 和 Social Vulnerability Index 与健康结果之间关联的剩余方差。研究使用 LightGBM，根据美国社区调查数据以及 CDC PLACES 的 40 项慢性病和健康行为结果，对美国本土 82,646 个普查区变量进行预测，并在 10 个留出州上评价模型性能。在调查变量中，模型对部分变量具有中等预测能力，例如住房类型的 R2 最高达到 0.54，但对残疾、失业和收入差距的预测较弱。对于健康结果，模型能够解释社会风险指数未解释方差的最高 54%，其中年度体检、关节炎和高血压的增益最大。在 40 项健康相关结果上，地理空间基础模型解释的平均总方差从最小普查区规模十分位的 0.31 增加到最大规模十分位的 0.39。地理空间基础模型能够捕捉传统社会风险指数未表征的健康相关场所特征，并可能在流行病学分析中对这些指数形成有益补充。

AI 提炼要点：

• 研究问题：判断卫星驱动的地理空间基础模型表征能否补充传统社会风险指数未涵盖的场所物理与健康相关信息。
• 数据与方法：融合 2022 年卫星训练的四类地理空间基础模型嵌入、American Community Survey、ADI/SDI/SVI 和 CDC PLACES 的 40 项健康指标，在 82,646 个普查区上使用 LightGBM，并以 10 个留出州进行空间外推评价。
• 主要结果：住房类型预测的 R2 最高为 0.54；地理空间基础模型最多解释社会风险指数未解释健康结果方差的 54%，40 项健康结果的平均总解释方差随普查区规模从 0.31 增至 0.39。

说明

本文面向遥感与 GeoAI 领域的学术信息整理，由 AI 辅助完成论文检索、书目信息核验、摘要翻译与内容提炼。论文题名、作者、期刊/会议、DOI 及发表状态优先依据期刊官网、会议官方论文集、DOI 页面或官方预印本平台核验。由于数据库记录、Early Access、Article in Press、Accepted、Preprint 等状态可能随时间更新，正式引用前请以论文最新官方页面及原文为准。

文中的中文标题、摘要翻译及“AI 提炼要点”属于辅助性学术整理，不等同于作者原始表述，也不构成对论文方法、数据、结论或学术质量的背书。涉及模型性能、数据规模、实验结论和定量指标时，应结合论文原文、补充材料及具体实验设置进行理解；如用于科研写作、项目论证或正式引用，请再次核对原始文献。