# 地理空间基础模型

灾后建筑受损制图长期受标注限制：参数高效微调能适配地理基础模型，却仍默认有大规模可靠标签。PUMA把任务改写为正样本—未标注学习，只用少量已确认受损建筑和大量未标注建筑微调模型，并让非对比式表示细化与潜状态标签消歧互相加强。在xBD的海啸、飓风、龙卷风、野火四个事件上，PUMA在海啸、飓风、野火取得所比较方法中最高的总体精度与F1，海啸与飓风的F1分别比最强对比方法高5.98和4.47个百分点；龙卷风事件上总体精度95.72%、F1为92.88%，与表现最好的NcPU相当。

灾后建筑受损制图长期受标注限制：参数高效微调能适配地理基础模型，却仍默认有大规模可靠标签。PUMA把任务改写为正样本—未标注学习，只用少量已确认受损建筑和大量未标注建筑微调模型，并让非对比式表示细化与潜状态标签消歧互相加强。在xBD的海啸、飓风、龙卷风、野火四个事件上，PUMA在海啸、飓风、野火取得所比较方法中最高的总体精度与F1，海啸与飓风的F1分别比最强对比方法高5.98和4.47个百分点；龙卷风事件上总体精度95.72%、F1为92.88%，与表现最好的NcPU相当。

地球观测基础模型（如 AlphaEarth、Tessera）把每个 10 米像素压成一个稠密向量，其中单个维度往往混合多种地表概念。稀疏自编码器把这种向量展开到过完备字典上，只让少数原子激活，从而得到近似单义的稀疏特征。在匹配稀疏度下，三种稀疏自编码器变体的重建都优于主成分分析、独立成分分析、非负矩阵分解和原始维度；但一个解码器冻结为随机字典的对照同样表现出特征更专一、空间尺度更细，说明这两点来自稀疏性本身，只有学习到的字典才把 AlphaEarth 的未解释方差降到八分之一。

地球观测基础模型（如 AlphaEarth、Tessera）把每个 10 米像素压成一个稠密向量，其中单个维度往往混合多种地表概念。稀疏自编码器把这种向量展开到过完备字典上，只让少数原子激活，从而得到近似单义的稀疏特征。在匹配稀疏度下，三种稀疏自编码器变体的重建都优于主成分分析、独立成分分析、非负矩阵分解和原始维度；但一个解码器冻结为随机字典的对照同样表现出特征更专一、空间尺度更细，说明这两点来自稀疏性本身，只有学习到的字典才把 AlphaEarth 的未解释方差降到八分之一。

PlacePulse 只用人口、商业与环境等静态结构属性，把美国 1,055,537 个 H3 分辨率 7 网格压成 256 维单位范数向量，在 74 个外部目标上超过同维度的特征选择基线，并在健康与经济结果上领先 Google 的人口动态基础模型。

PlacePulse 只用人口、商业与环境等静态结构属性，把美国 1,055,537 个 H3 分辨率 7 网格压成 256 维单位范数向量，在 74 个外部目标上超过同维度的特征选择基线，并在健康与经济结果上领先 Google 的人口动态基础模型。