小规模烧伤疤痕的识别对全球碳核算至关重要，但由于光谱复杂性和异质景观中的真实数据稀缺，这一任务在计算上仍然具有挑战性。传统的深度学习模型在此类环境中往往无法泛化，缺乏准确分割所需的领域特定先验和具有代表性的训练分布。在此，我们展示了通过多维拉丁超立方体采样优化Prithvi地球基础模型（EFM）的微调为此任务建立了一个稳健的框架。我们的比较分析揭示，经过领域适配的Prithvi模型实现了0.91的平均交并比（mIoU），比标准视觉变换器（ViT）高出31.9%，并大幅超越了基于重建的架构，如Scale-MAE。我们证明LHS在优化基础模型方面优于简单随机采样（SRS），因为它确保了统计一致性，Kolmogorov-Smirnov（KS）统计量低于0.1，有效捕捉火灾气象指数的尾部分布。此外，我们的框架表现出卓越的数据效率，仅用100个训练样本即可保留94.5%的峰值准确率。这些发现为监测数据受限地区的小规模灾难提供了可扩展的解决方案，并验证了严格采样策略与EFM之间的协同作用。
Du等（Sat，）研究了这个问题。