RS-42 Wildfire Mapping with GeoFM LoRA

细问题：面向 wildfire / burn scar / burn severity mapping，如何用低样本、参数高效的 GeoFM adapter/LoRA 适配 Prithvi、TerraMind、DINOv3、AlphaEarth 等遥感基础模型，并处理 pre/post-fire 光学影像、云烟干扰、不确定性和跨地区泛化。

1. 方向判断

Wildfire mapping 的经典路线是 NBR/dNBR、BAIS2、阈值、随机森林、U-Net/Siamese U-Net、ChangeFormer 一类变化检测模型。2024-2026 的新变化是：基础模型开始进入真正可复现的 wildfire 任务，而不只是“拿 Prithvi 做一个示例”。其中最直接的锚点是 2026 IGARSS 论文 Low-Rank Adaptation of Geospatial Foundation Models for Wildfire Mapping Using Sentinel-2 Data，其官方代码为 alishibli97/wildfire-lora-gfm。

这个方向的研究价值不在于“再做一个烧毁区分割模型”，而在于回答一个更窄的问题：在地理、时间、生态区和传感器条件都变化的情况下，LoRA/adapter 是否比 full fine-tuning 或 decoder-only fine-tuning 更稳，尤其是在小样本事件、云烟遮挡、火后恢复阶段、跨国家/跨生态区泛化时。

2. 问题由来

1. 火烧迹地是典型的 bi-temporal change problem。单张 post-fire 影像容易把裸土、采伐地、阴影、火山/矿区等误判为 burned area；pre-fire/post-fire 差分能增强变化信号，但也会引入季节、物候、云影、观测角和配准误差。
2. 标签天然有噪声。USGS BARC 数据说明 burn severity 产品通常基于 pre/post-fire 的 dNBR，并且阈值需要 BAER 团队结合现场观察调整；这意味着 severity label 在生态区边界和低/中 severity 类别上并不是绝对真值。
3. 跨地区泛化比随机切分难得多。2026 LoRA-GFM 论文使用美国和加拿大 2017-2023 的 3,820 个 wildfire events，并做 spatial/temporal generalization tests；这是该方向从“局部案例”走向“域泛化问题”的关键。
4. GeoFM 的预训练知识有用，但灾害任务需要强适配。Prithvi-EO-2.0 预训练于 HLS 全球时间序列，并引入 temporal/location embeddings；这对 wildfire 这种多时相任务很友好，但仍需解决任务头、差分建模和不确定性。

3. 代表论文、模型、数据与代码

4. 方法脉络比较

4.1 指数与阈值

NBR/dNBR、BAIS2、NDVI/NDWI 等指数可解释、低成本、部署简单，但跨生态区阈值不稳，对云影、裸土、采伐、湿地和季节变化敏感。BARC 的说明很适合用来支撑一个观点：severity label 不是纯影像数学事实，而是遥感指数、生态效应和现场知识的折中。

4.2 专用深度模型

U-Net/Siamese U-Net/Transformer change models 可以利用 pre/post-fire 差异，在固定区域内通常强于指数阈值。但它们容易学到区域、植被类型和季节偏置；跨国家/跨生态区时需要大量标注。MSR-BACD 这类大型 Sentinel-2 专用 burn model 是强 baseline，但其贡献更偏“数据工程 + 专用模型”。

4.3 SAM/自动标注路线

SAFE 说明 SAM + hotspot + Sentinel-2 fire index 可以生成高分 burned area 候选，并用于训练轻量区域模型。这条线适合解决标注稀缺，但 prompt、候选框、指数阈值和火点产品会把先验错误带进伪标签。它更适合作为 LoRA 训练数据扩增或人机标注 pipeline，而不是替代 GeoFM adapter。

4.4 GeoFM LoRA/adapter 路线

LoRA-GFM 的关键发现是：在 TerraMind、DINOv3、Prithvi-v2 上，LoRA 以小于 1% 的可训练参数获得更好的跨域泛化，Prithvi-v2 + LoRA 表现最好。这提示 wildfire mapping 的小切口可以是“参数高效适配如何抑制 overfitting”，而不是单纯追求最高 closed-set mIoU。

4.5 AlphaEarth embedding 路线

AlphaEarth 更像“年度地球表征产品”，优点是稀疏标签下的 map production，不必训练完整视觉主干。对于 wildfire，它可作为 sparse label baseline：用 AEF annual embeddings + pre/post year difference + linear probe / shallow MLP 来检测 burned area 或恢复状态。但 AEF 年度粒度可能不适合短时灾后响应；这是需要实证检验的限制。

5. 关键未解决问题

1. 跨生态区泛化：针叶林、灌丛、草地、泥炭地、农地火灾的光谱变化不同；同一个 LoRA rank 是否能覆盖所有生态区还不清楚。
2. 时间选择：pre-fire/post-fire 日期间隔、云量、物候阶段会显著影响 dNBR 和模型特征。多数论文没有把日期选择作为可学习或可评估模块。
3. 云烟与阴影：火灾任务天然遇到 smoke/cloud/haze/shadow。很多 burn scar 模型用较干净影像训练，真实近实时场景会掉点。
4. 标签边界不确定性：dNBR severity class 的边界不稳定；低 severity 与 unburned、moderate-low 与 moderate-high 常有生态解释差异，不应只用 hard CE loss。
5. 事件级推理：chip-level mIoU 不等于完整 wildfire event 的面积估计好。LoRA-GFM repo 已包含 sliding-window full-fire inference 和 fire-size summaries，后续应把 event-level area error 作为主指标。
6. LoRA 插入位置：ViT q/k/v、MLP、decoder、FPN adapter、temporal embedding、location embedding 哪些位置最值得适配，目前还缺 ablation。
7. binary burned area vs severity：二分类 burned area 与 5 类 burn severity 需求不同；severity 更依赖生态现场知识，不确定性应更强。

6. 推荐论文课题

题目草案：Uncertainty-Aware Spatio-Temporal LoRA for Cross-Region Wildfire Burn Scar Mapping

核心假设：在 GeoFM 主干冻结或半冻结时，将 LoRA 放入多时相特征交互层，并显式建模标签/云烟/日期选择不确定性，可在跨生态区和跨时间 wildfire mapping 中优于 full fine-tuning、decoder-only fine-tuning 和普通 LoRA。

方法模块

1. Bi-temporal input builder：为每个 wildfire event 自动选择 pre/post-fire Sentinel-2/HLS 影像，过滤云量，并生成 delta channels、dNBR、NBR、BAIS2 作为可选辅助输入。
2. GeoFM backbones：Prithvi-EO-2.0 为主，TerraMind/DINOv3/Clay 作为对照；AlphaEarth embeddings 作为非端到端 sparse-feature baseline。
3. LoRA placement ablation：比较 encoder attention LoRA、MLP LoRA、temporal embedding adapter、decoder-only、FPN adapter + UPerNet。
4. Uncertainty head：输出 burned probability、severity logits、aleatoric uncertainty；对 dNBR 边界区域和 cloud/smoke 区域降低 hard supervision 权重。
5. Event-level reconstruction：使用 sliding window + logit averaging，输出完整 fire polygon/mask，并报告面积误差和小火灾漏检。
6. Cloud/smoke robustness augmentation：加入薄云、烟雾、阴影、季节差异和轻微 misregistration augmentation。

数据设计

评价指标

• Pixel-level：IoU、F1、precision/recall、boundary F1。
• Event-level：burned area error、small/medium/large fire 分组 F1、per-fire IoU。
• Severity：macro F1、weighted F1、ordinal error、severity transition confusion。
• 泛化：leave-year-out、leave-region/ecoregion-out、US-to-Canada、Canada-to-US。
• 不确定性：ECE、Brier score、risk-coverage curve、cloud/smoke subset performance。
• 效率：trainable parameters、GPU memory、inference time、LoRA rank vs mIoU/F1。

7. 实验矩阵

8. 可投稿的小创新点

1. Boundary-soft severity loss：根据 dNBR/BAIS2 与人工 severity class 的边界距离，为 low/moderate severity 区域引入 soft ordinal label。
2. Date-selection adapter：把 pre/post 日期间隔、云量、NDVI 季节差作为 token 输入，让 LoRA 适配火前火后差异质量。
3. Ecoregion-conditioned LoRA routing：按生态区或气候带选择 LoRA expert，但用共享低秩空间防止参数爆炸。
4. Pseudo-label trust score：融合 SAFE/SAM mask stability、hotspot distance、dNBR consistency、GeoFM uncertainty，为伪标签分配权重。
5. Event-level calibration：不只校准像素概率，还校准整场火灾面积估计的不确定性区间。

9. 最小可行复现实验

1. 下载 HLS Burn Scars 做快速实验。
2. 使用 Prithvi-EO-2.0/TerraTorch 初始化 backbone。
3. 建立三组模型：decoder-only、full fine-tune、LoRA rank 4/8/16。
4. 输入对比：post only、pre+post、pre+post+delta、pre+post+delta+NBR/dNBR。
5. 指标：IoU、F1、ECE、area error。
6. 再迁移到 LoRA-GFM 的 spatio-temporal splits，检验小实验结论是否成立。

10. 风险

• LoRA-GFM 依赖较新的 DINOv3/TerraMind/Prithvi-v2 wrapper，环境复现可能有摩擦。
• AlphaEarth 年度 embedding 对灾后短时间变化可能不够敏感，需要把它定位为 sparse-feature baseline。
• BARC/dNBR severity label 并非绝对真值，过度拟合 severity class 可能降低生态解释性。
• 云烟真实样本不足时，鲁棒性增强可能只是在合成扰动上有效。
• 若训练数据已覆盖同一 wildfire event 的相邻 tile，必须做 event-level split，避免地理泄漏。

11. 下一步阅读顺序

1. Low-Rank Adaptation of Geospatial Foundation Models for Wildfire Mapping Using Sentinel-2 Data
2. wildfire-lora-gfm official code
3. Prithvi-EO-2.0 paper and GitHub
4. HLS Burn Scars Dataset
5. USGS BARC Thematic Burn Severity Mosaic
6. SAFE burned area extraction
7. AlphaEarth Foundations