論文の概要: Climplicit: Climatic Implicit Embeddings for Global Ecological Tasks

• arxiv url: http://arxiv.org/abs/2504.05089v2
• Date: Mon, 14 Apr 2025 12:47:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-22 12:53:51.920625
• Title: Climplicit: Climatic Implicit Embeddings for Global Ecological Tasks
• Title（参考訳）: Climplicit:グローバルエコロジータスクのためのクリマティックインプリシット埋め込み
• Authors: Johannes Dollinger, Damien Robert, Elena Plekhanova, Lukas Drees, Jan Dirk Wegner,
• Abstract要約: 我々は,地球上のどこにでも暗黙の気候表現を生成するために事前訓練された特徴エンコーダを導入する。 Climplicitの埋め込みをシングルレイヤで探索することで、下流タスクのスクラッチからモデルをトレーニングするのと同等か、一貫してパフォーマンスが向上します。
• 参考スコア（独自算出の注目度）: 4.165168823227979
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning on climatic data holds potential for macroecological applications. However, its adoption remains limited among scientists outside the deep learning community due to storage, compute, and technical expertise barriers. To address this, we introduce Climplicit, a spatio-temporal geolocation encoder pretrained to generate implicit climatic representations anywhere on Earth. By bypassing the need to download raw climatic rasters and train feature extractors, our model uses x3500 less disk space and significantly reduces computational needs for downstream tasks. We evaluate our Climplicit embeddings on biomes classification, species distribution modeling, and plant trait regression. We find that single-layer probing our Climplicit embeddings consistently performs better or on par with training a model from scratch on downstream tasks and overall better than alternative geolocation encoding models.
• Abstract（参考訳）: 気候データの深層学習は、マクロ生態学的な応用の可能性を秘めている。 しかし、ストレージ、計算、技術的専門知識の障壁のため、ディープラーニングコミュニティ以外の科学者の間では採用が限られている。 これを解決するために、地球上のどこでも暗黙の気候表現を生成するために事前訓練された時空間ジオロケーションエンコーダClimplicitを導入する。 生のラスタをダウンロードする必要をなくし、特徴抽出器を訓練することで、x3500のディスクスペースを削減し、下流タスクの計算負荷を大幅に削減する。 本研究は,生物群分類,種分布モデル,植物形質の回帰に関する簡易な埋め込みについて検討した。 Climplicit埋め込みの単一層は、下流タスクのスクラッチからモデルをトレーニングし、代替のジオロケーションエンコーディングモデルよりも総合的に優れている、あるいは同等である、ということが分かりました。

関連論文リスト

• SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology [3.743127390843568]
  自己教師付き学習は、ラベルのないデータからの学習表現を可能にした。 これらのモデルは、高い人間の活動領域に偏ったデータセットに基づいて訓練されることが多い。 植生の季節性を世界規模でより正確に把握するために, 簡易な表現インフォームドサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-25T10:58:44Z)
• Efficient Mixture of Geographical Species for On Device Wildlife Monitoring [2.8718221966298754]
  本研究では,地理的に認識可能な条件付きサブネットワークを用いた単一種検出装置の訓練について検討する。 地理的に分散した2つのデータセット (iNaturalist と iWildcam) 上で, 条件付き計算性能を示す手法を提案する。
  論文  参考訳（メタデータ） (2025-04-11T15:25:36Z)
• Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
  我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。 このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。 本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-14T02:58:24Z)
• MiTREE: Multi-input Transformer Ecoregion Encoder for Species Distribution Modelling [2.3776390335270694]
  我々は、エコリージョンエンコーダを備えたマルチインプット・ビジョン・トランスフォーマー・モデルであるMiTREEを紹介する。 夏期と冬期のサットバードデータセットを用いて,鳥種の出現率を予測することを目的として,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2024-12-25T22:20:47Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• Efficient machine-learning surrogates for large-scale geological carbon and energy storage [0.276240219662896]
  大規模貯水池モデルを効率的に管理するための機械学習(ML)モデルを提案する。 我々は、ドメイン分解とトポロジ埋め込みを用いて、ディープ・ニューラル・オペレーターモデルのトレーニングコストを削減する方法を開発した。 このアプローチは、訓練されていないデータであっても、モデルの領域内で正確な予測を可能にし、大規模な地質ストレージアプリケーションに対するML効率を向上させる。
  論文  参考訳（メタデータ） (2023-10-11T13:05:03Z)
• Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles [6.824166358727082]
  変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。 利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。 我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
  論文  参考訳（メタデータ） (2023-02-07T05:09:10Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Climate-Invariant Machine Learning [0.8831201550856289]
  現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。 最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。 我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-14T07:02:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。