論文の概要: Fine-Scale Soil Mapping in Alaska with Multimodal Machine Learning

• arxiv url: http://arxiv.org/abs/2506.17302v1
• Date: Tue, 17 Jun 2025 22:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.326105
• Title: Fine-Scale Soil Mapping in Alaska with Multimodal Machine Learning
• Title（参考訳）: マルチモーダル機械学習によるアラスカの土壌マッピング
• Authors: Yijun Lin, Theresa Chen, Colby Brungard, Grunwald Sabine, Sue Ives, Matt Macander, Timm Nawrocki, Yao-Yi Chiang, Nic Jelinski,
• Abstract要約: 高分解能土壌地図は永久凍土の分布を特徴づけ、脆弱な地域を特定し、適応戦略を示すのに不可欠である。 近地永久凍土と土壌分類のための大規模土壌マップを作成するための視覚ベース機械学習(ML)モデルであるMISOを提案する。 我々は,土壌マッピングに広く用いられている従来のMLモデルであるRandom Forest (RF)とMISOを比較した。
• 参考スコア（独自算出の注目度）: 1.4786253394033289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-scale soil mapping in Alaska, traditionally relying on fieldwork and localized simulations, remains a critical yet underdeveloped task, despite the region's ecological importance and extensive permafrost coverage. As permafrost thaw accelerates due to climate change, it threatens infrastructure stability and key ecosystem services, such as soil carbon storage. High-resolution soil maps are essential for characterizing permafrost distribution, identifying vulnerable areas, and informing adaptation strategies. We present MISO, a vision-based machine learning (ML) model to produce statewide fine-scale soil maps for near-surface permafrost and soil taxonomy. The model integrates a geospatial foundation model for visual feature extraction, implicit neural representations for continuous spatial prediction, and contrastive learning for multimodal alignment and geo-location awareness. We compare MISO with Random Forest (RF), a traditional ML model that has been widely used in soil mapping applications. Spatial cross-validation and regional analysis across Permafrost Zones and Major Land Resource Areas (MLRAs) show that MISO generalizes better to remote, unseen locations and achieves higher recall than RF, which is critical for monitoring permafrost thaw and related environmental processes. These findings demonstrate the potential of advanced ML approaches for fine-scale soil mapping and provide practical guidance for future soil sampling and infrastructure planning in permafrost-affected landscapes. The project will be released at https://github.com/knowledge-computing/Peatland-permafrost.
• Abstract（参考訳）: アラスカ州の土壌マッピングは、伝統的にフィールドワークと局所的なシミュレーションに依存していたが、この地域の生態学的重要性と広範な永久凍土のカバーにもかかわらず、重要で未発達の課題である。 永久凍土の融解が気候変動によって加速するにつれて、インフラの安定性と土壌炭素貯蔵のような重要な生態系サービスに脅かされる。 高分解能土壌地図は永久凍土の分布を特徴づけ、脆弱な地域を特定し、適応戦略を示すのに不可欠である。 近地永久凍土と土壌分類のための大規模土壌マップを作成するための視覚ベース機械学習(ML)モデルであるMISOを提案する。 このモデルは、視覚的特徴抽出のための地理空間基盤モデル、連続的な空間予測のための暗黙の神経表現、マルチモーダルアライメントと位置情報認識のためのコントラスト学習を統合する。 我々は,土壌マッピングに広く用いられている従来のMLモデルであるRandom Forest (RF)とMISOを比較した。 永久凍土帯と主要土地資源地域(MLRA)の空間的相互検証と地域的分析により,MISOは遠隔地や見えない場所に対してより一般化し,永久凍土ソーおよび関連する環境プロセスの監視に欠かせないRFよりも高いリコールを達成することが示された。 これらの結果から, 永久凍土の土壌マッピングにおける高度ML手法の可能性が示され, 永久凍土地形における土壌サンプリングとインフラ計画の実践的ガイダンスが得られた。 プロジェクトはhttps://github.com/knowledge-computing/Peatland-permafrost.comでリリースされる。

関連論文リスト

• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• EarthScape: A Multimodal Dataset for Surficial Geologic Mapping and Earth Surface Analysis [0.31077024712075796]
  本研究では,地球表面マッピングと地球表面解析のための新しいAI対応マルチモーダルデータセットであるEarthScapeを紹介する。 EarthScapeは高解像度の空中RGBと近赤外(NIR)画像、デジタル標高モデル(DEM)、マルチスケールDEM起源の地形特徴、水文・インフラベクトルデータを統合している。 EarthScapeは、拡張のためのビジョンを持つ生きたデータセットとして、コンピュータビジョンと地球科学のギャップを埋める。
  論文  参考訳（メタデータ） (2025-03-19T18:23:48Z)
• Spatial Distribution-Shift Aware Knowledge-Guided Machine Learning [4.414885369283509]
  多様な土壌特性と気候データの入力を考慮し,正確な土地排出予測モデルの構築を目指していた。 SDSA-KGMLモデルは中西部地域の特定状態に対して高い局所精度を達成する。
  論文  参考訳（メタデータ） (2025-02-20T18:52:24Z)
• PEACE: Empowering Geologic Map Holistic Understanding with MLLMs [64.58959634712215]
  地質図は地質学の基本的な図として、地球の地下と地表の構造と構成に関する重要な洞察を提供する。 その重要性にもかかわらず、現在のマルチモーダル大言語モデル(MLLM)は地質図の理解に乏しいことが多い。 このギャップを定量化するために、地質地図理解においてMLLMを評価するための最初のベンチマークであるGeoMap-Benchを構築した。
  論文  参考訳（メタデータ） (2025-01-10T18:59:42Z)
• 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)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
  本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。 私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
  論文  参考訳（メタデータ） (2020-07-13T09:58:14Z)

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。