洪水は最も破壊的な自然災害の一つであり、気候変動下でその頻度が増加する中、衛星による浸水マッピングは災害対応に不可欠となっている。衛星アーカイブで事前学習された地理空間基盤モデルは地理的な転移可能性を持つが、多様で未見のイベントに対する運用上の信頼性は明らかになっていない。そこでVenkatesh Kolluruらは、Prithvi-EO-2.0モデルを19の分布外洪水イベント（2017-2025年）に適用した。これらのイベントは6大陸、8気候帯、6種類の洪水メカニズムにわたり、2つの独立した参照製品を用いて検証された。
検出精度はモデル能力だけでなく、土地被覆と洪水タイプの両方に依存することが示された。農地ではモデルと参照製品の一致度が最も高く、IoUは52%に達した。河川性洪水イベントでは検出性能が最も高く、F1スコアは0.69であった。一方、樹木被覆地や市街地では、洪水メカニズムに関わらず検出率はほぼゼロであり、IoUはわずか4%であった。この結果は、現在のモデルが植生の密な地域や人工建造物が密集した地域で系統的な盲点を持つことを示しており、運用化に向けて明確な認識が必要である。
二重参照検証は誤差源の複雑さをさらに明らかにした。見かけ上のモデル誤差の一部は、2つの参照製品間の定義の不一致を反映しており、モデルの検出失敗ではない。これは、モデル性能を評価する際に参照データの品質と一貫性が同様に重要であることを意味する。さらに、反復的なパイプラインテストを通じて23の失敗モードが特定され、初期誤差ではパイプライン工学が支配的であり、その影響はモデル容量自体を上回ることが判明した。これは、基盤モデルを実際の洪水マッピングに導入する際、データ処理や後処理などの工学的な最適化が、単にモデル規模を大きくするよりも大きな利益をもたらす可能性を示唆している。
これらの知見は、運用上の衛星洪水マッピングにおける環境依存の検出限界を確立し、地理空間基盤モデルを展開する際には土地被覆と洪水タイプに基づいて検出結果を解釈する必要があること、また参照データの一貫性とパイプライン工学の役割を重視すべきことを強調している。本研究は、困難な環境下でのモデル性能改善に向けた明確な方向性を提供するものである。