自然災害誘発災害に対するGeoAI民主化の性能評価と限界評価

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Researchers in GeoAI and disaster mapping can gain insights into the trade-offs between accessibility and transparency in DL model deployment.

🏛政策担当者:Policymakers focused on disaster resilience may note the potential of GIS-based AI tools for rapid hazard mapping, but the study does not provide direct policy recommendations.

抄録。地球観測（EO）における深層学習（DL）の最近の進歩により、運用上の地理空間ワークフロー内で、ますます複雑化する事前学習モデルの展開が可能になった。これらの中でも、EO基盤モデルは、多スペクトル衛星データからの災害マッピングに有望な機会を提供し、一方でGISソフトウェアに統合されたインターフェースは、コーディング経験が限られたユーザーにもそのようなモデルを利用可能にすることを目指している。この文脈において、本研究は、Prithviに基づくSentinel-2画像からの焼け跡および洪水範囲のセグメンテーションに対する事前学習モデルの使用を調査し、共通のデータセットを用いて、商用GISソフトウェアとスタンドアロンのPython環境でのそれらの性能を比較する。分析は、異なる環境間での出力の再現性、ならびにアクセシビリティ、透明性、および方法論的制御の間のトレードオフに焦点を当てる。結果は、GISベースのプラットフォームとPythonでの再構築が概ね一致しており、インターフェースの有効性を確認していることを示す。一致は焼け跡セグメンテーションでより強く、一方で洪水範囲マッピングはより大きな変動を示し、これはおそらく、モデル構築のわずかな違いでも異なる結果をもたらし得る、浸水地域の本質的により複雑な特性によるものである。追加の探索的実験が、洪水ワークフローにおける雲マスキングのために、プロンプトベースのモデルCLIPSegを用いて実施された。その寄与は限定的で場面に強く依存することが証明されたが、EOパイプライン内での補助的なプロンプトベースのモデルの役割について有益な洞察を提供した。全体として、この研究は、GISベースのDLインターフェースがモデル展開へのアクセスを効果的に民主化する一方で、コーディングベースの環境が透明性、カスタマイズ、およびより広範な方法論的制御にとって不可欠であり続けることを示している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Abstract. Recent advances in Deep Learning (DL) for Earth Observation (EO) have enabled the deployment of increasingly complex pre-trained models within operational geospatial workflows. Among these, EO foundation models offer promising opportunities for hazard mapping from multispectral satellite data, while interfaces integrated in GIS software aim to make such models accessible also to users with limited coding expertise. In this context, this study investigates the use of pre-trained models for burn scar and flood extent segmentation from Sentinel-2 imagery based on Prithvi, comparing their performances in a commercial GIS software and in a standalone Python environment using common datasets. The analysis focuses on the reproducibility of the outputs across different environments, as well as on the trade-off between accessibility, transparency, and methodological control. Results show that the GIS based platform and the reconstruction in Python were generally aligned, confirming the validity of the interface. Agreement was stronger for burn scar segmentation, whereas flood extent mapping showed greater variability, likely due to the intrinsically more complex characteristics of flooded areas which can yield different results even with small differences in model building. An additional exploratory experiment was conducted using the prompt-based model CLIPSeg for cloud masking in the flood workflow. Although its contribution proved limited and strongly scene-dependent, it provided useful insight into the role of auxiliary prompt-based models within EO pipelines. Overall, the study shows that GIS-based DL interfaces effectively democratize access to model deployment, while coding-based environments remain essential for transparency, customization, and broader methodological control.

• semanticscholar https://isprs-archives.copernicus.org/articles/XLIX-B3-2026/1263/2026/isprs-archives-XLIX-B3-2026-1263-2026.pdffirst seen 2026-08-05 05:33:49 · last seen 2026-09-21 05:14:38