論文の概要: StefaLand: An Efficient Geoscience Foundation Model That Improves Dynamic Land-Surface Predictions

• arxiv url: http://arxiv.org/abs/2509.17942v2
• Date: Sun, 28 Sep 2025 00:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 14:13:47.574993
• Title: StefaLand: An Efficient Geoscience Foundation Model That Improves Dynamic Land-Surface Predictions
• Title（参考訳）: StefaLand: 土地表面の動的予測を改善する効率的な地球科学基礎モデル
• Authors: Nicholas Kraabel, Jiangtao Liu, Yuchen Bian, Daniel Kifer, Chaopeng Shen,
• Abstract要約: 伝統的なインパクトモデルは、限られた観測と概念の漂流のために空間的な一般化に苦しむ。 ランドスケープインタラクションを中心とした地層モデルであるStefaLandを紹介した。 我々の知る限り、これは地表面相互作用予測を実証的に改善する最初の地表面基盤モデルである。
• 参考スコア（独自算出の注目度）: 8.261844935991348
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Stewarding natural resources, mitigating floods, droughts, wildfires, and landslides, and meeting growing demands require models that can predict climate-driven land-surface responses and human feedback with high accuracy. Traditional impact models, whether process-based, statistical, or machine learning, struggle with spatial generalization due to limited observations and concept drift. Recently proposed vision foundation models trained on satellite imagery demand massive compute and are ill-suited for dynamic land-surface prediction. We introduce StefaLand, a generative spatiotemporal earth foundation model centered on landscape interactions. StefaLand improves predictions on four tasks and five datasets: streamflow, soil moisture, and soil composition, compared to prior state-of-the-art. Results highlight its ability to generalize across diverse, data-scarce regions and support broad land-surface applications. The model builds on a masked autoencoder backbone that learns deep joint representations of landscape attributes, with a location-aware architecture fusing static and time-series inputs, attribute-based representations that drastically reduce compute, and residual fine-tuning adapters that enhance transfer. While inspired by prior methods, their alignment with geoscience and integration in one model enables robust performance on dynamic land-surface tasks. StefaLand can be pretrained and finetuned on academic compute yet outperforms state-of-the-art baselines and even fine-tuned vision foundation models. To our knowledge, this is the first geoscience land-surface foundation model that demonstrably improves dynamic land-surface interaction predictions and supports diverse downstream applications.
• Abstract（参考訳）: 天然資源の監督、洪水、干ばつ、山火事、地すべりの緩和、需要の増大に対応するには、気候によって引き起こされる地表面の反応と人間のフィードバックを高精度に予測できるモデルが必要である。 従来のインパクトモデル(プロセスベース、統計学、機械学習)は、限られた観測と概念のドリフトのために空間的な一般化に苦しむ。 近年、衛星画像に基づいて訓練された視覚基礎モデルでは、膨大な計算が要求され、地表の動的予測には不適である。 本研究では,景観の相互作用に着目した時空間土台モデルであるStefaLandを紹介する。 StefaLandは、従来の最先端と比較して、ストリームフロー、土壌水分、土壌組成の4つのタスクと5つのデータセットの予測を改善している。 結果は、多種多様なデータスカース領域をまたいで一般化し、広い地表面アプリケーションをサポートする能力を強調している。 このモデルは、ランドスケープ属性の深い関節表現を学習するマスク付きオートエンコーダのバックボーンの上に構築されており、静的および時系列入力を融合する位置認識アーキテクチャ、計算を大幅に削減する属性ベースの表現、転送を強化する残留な微調整アダプタを備えている。 従来の手法にインスパイアされたものの、地質学との整合性や1つのモデルへの統合により、動的地表面タスクにおける堅牢なパフォーマンスを実現する。 StefaLandは、学術計算で事前訓練と微調整が可能で、最先端のベースラインや微調整された視覚基礎モデルよりも優れている。 我々の知る限り、これは、動的地表面相互作用予測を実証的に改善し、多様な下流アプリケーションをサポートする最初の地表面基盤モデルである。

関連論文リスト

• Synthetic Geology -- Structural Geology Meets Deep Learning [3.216132991084434]
  ボキセル化画像に応用した生成人工知能の技術に基づいて,ニューラルネットワークをトレーニングすることにより,地表の地質データを3次元の地下領域に拡張する手法を実証する。 地質活動のイオンを模倣した合成データ生成プロセスの設計により,地下深層学習の発展におけるこのデータギャップを埋める。 このような合成データに基づいてトレーニングされた基礎モデルは、以前は目に見えない表面地形と地質図から地下の3次元画像を生成することができる。
  論文  参考訳（メタデータ） (2025-06-11T20:42:28Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• ImplicitTerrain: a Continuous Surface Model for Terrain Data Analysis [14.013976303831313]
  ImplicitTerrainは、高解像度の地形を連続的に微分的にモデル化するための暗黙の神経表現(INR)アプローチである。 本実験では, 表面適合精度, 有効トポロジカル特徴抽出, 各種トポロジカル特徴抽出について検討した。
  論文  参考訳（メタデータ） (2024-05-31T23:05:34Z)
• Deep autoregressive modeling for land use land cover [0.0]
  ランド・ユース/ランド・カバー・モデリング(LULC)は、地理的特徴と地形、生態学、人間発達に関連する異なる空間パターンの間の長距離依存関係のために難しい課題である。 土地利用の空間パターンのモデル化とコンピュータビジョンからのイメージインペインティングの課題との密接な関係を同定し,約1900万個のLULCをモデル化するための改良されたPixelCNNアーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-01-02T18:03:57Z)
• Assessment of a new GeoAI foundation model for flood inundation mapping [4.312965283062856]
  そこで本稿は,IBM-NASAのPrithviによる地空間基盤モデルの性能評価を行い,地空間解析の重要課題である洪水浸水マッピングを支援する。 実験では、ベンチマークデータセットであるSen1Floods11を使用し、モデルの予測可能性、一般化可能性、転送可能性を評価する。 以上の結果から, 未確認領域におけるセグメンテーションにおけるPrithviモデルの性能上の優位性が示された。
  論文  参考訳（メタデータ） (2023-09-25T19:50:47Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)

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。