論文の概要: Geospatial Machine Learning Libraries
- arxiv url: http://arxiv.org/abs/2510.02572v1
- Date: Thu, 02 Oct 2025 21:28:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.185113
- Title: Geospatial Machine Learning Libraries
- Title（参考訳）: 地理空間機械学習ライブラリー
- Authors: Adam J. Stewart, Caleb Robinson, Arindam Banerjee,
- Abstract要約: GeoMLライブラリは、様々な空間解像度、スペクトル特性、時間的ケイデンス、データカバレッジ、座標系、ファイルフォーマットといったユニークな課題を扱う。
この章では、GeoMLライブラリの概要を説明し、その進化、コア機能、現在のエコシステムを分析します。
また、TorchGeo、eo-learn、Raster Visionといった人気のあるGeoMLライブラリを導入し、アーキテクチャ、サポートされているデータ型、MLフレームワークとの統合について詳しく説明した。
- 参考スコア（独自算出の注目度）: 9.972771509991297
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in machine learning have been supported by the emergence of domain-specific software libraries, enabling streamlined workflows and increased reproducibility. For geospatial machine learning (GeoML), the availability of Earth observation data has outpaced the development of domain libraries to handle its unique challenges, such as varying spatial resolutions, spectral properties, temporal cadence, data coverage, coordinate systems, and file formats. This chapter presents a comprehensive overview of GeoML libraries, analyzing their evolution, core functionalities, and the current ecosystem. It also introduces popular GeoML libraries such as TorchGeo, eo-learn, and Raster Vision, detailing their architecture, supported data types, and integration with ML frameworks. Additionally, it discusses common methodologies for data preprocessing, spatial--temporal joins, benchmarking, and the use of pretrained models. Through a case study in crop type mapping, it demonstrates practical applications of these tools. Best practices in software design, licensing, and testing are highlighted, along with open challenges and future directions, particularly the rise of foundation models and the need for governance in open-source geospatial software. Our aim is to guide practitioners, developers, and researchers in navigating and contributing to the rapidly evolving GeoML landscape.
- Abstract（参考訳）: 機械学習の最近の進歩は、ドメイン固有のソフトウェアライブラリの出現によって支持されており、ワークフローの合理化と再現性の向上を可能にしている。
地理空間機械学習(GeoML)において、地球観測データの可用性は、空間分解能、スペクトル特性、時間的ケイデンス、データカバレッジ、座標系、ファイルフォーマットなど、その固有の課題に対処するドメインライブラリの開発よりも大きくなっている。
この章では、GeoMLライブラリの概要を説明し、その進化、コア機能、現在のエコシステムを分析します。
また、TorchGeo、eo-learn、Raster Visionといった人気のあるGeoMLライブラリを導入し、アーキテクチャ、サポートされているデータ型、MLフレームワークとの統合について詳しく説明した。
さらに、データ前処理、時空間結合、ベンチマーク、事前訓練されたモデルの使用に関する一般的な方法論についても論じる。
作物型マッピングのケーススタディを通じて、これらのツールの実践的な応用を実証する。
ソフトウェア設計、ライセンス、テストのベストプラクティスは、オープンな課題や今後の方向性、特に基盤モデルの台頭、オープンソースの地理空間ソフトウェアにおけるガバナンスの必要性とともに強調されている。
我々の目標は、急速に進化するGeoMLのランドスケープをナビゲートし、貢献する実践者、開発者、研究者を導くことです。
関連論文リスト
- OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。
地理空間応用に適したMLLM(OmniGeo)を提案する。
自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
論文 参考訳（メタデータ） (2025-03-20T16:45:48Z) - Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。
大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。
また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文 参考訳（メタデータ） (2025-02-19T14:21:25Z) - ShapefileGPT: A Multi-Agent Large Language Model Framework for Automated Shapefile Processing [8.594821438139187]
大規模言語モデル(LLM)を利用した革新的なフレームワークであるShapefileGPTを提案する。
ShapefileGPTはマルチエージェントアーキテクチャを使用し、プランナーエージェントがタスクの分解と監督を担当し、ワーカーエージェントがタスクを実行する。
評価のために,幾何演算や空間的クエリといったカテゴリのタスクを含む,権威教科書に基づくベンチマークデータセットを開発した。
論文 参考訳（メタデータ） (2024-10-16T08:48:27Z) - Self-Supervised Representation Learning for Geospatial Objects: A Survey [21.504978593542354]
自己教師付き学習(SSL)は、広範囲にラベル付けされた監督なしでデータから直接効果的で一般化可能な表現を学習できる能力に注目が集まっている。
本稿では,3種類の幾何学的ベクトルタイプ(ポイント,ポリライン,ポリゴン)において,地理空間オブジェクトに対して特別に適用または開発されたSSL技術について調査する。
地空間オブジェクトに対するSSLの出現傾向,特に地空間基盤モデルへの段階的な進歩について検討する。
論文 参考訳（メタデータ） (2024-08-22T05:28:22Z) - TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。
TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは7つのジオアウェアイメージ分類と10のジオアウェアイメージ回帰データセットを含む。
論文 参考訳（メタデータ） (2024-06-21T21:33:16Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - GeoGPT: Understanding and Processing Geospatial Tasks through An
Autonomous GPT [6.618846295332767]
GISの意思決定者は、空間的タスクを解決するために、一連の空間的アルゴリズムと演算を組み合わせる必要がある。
我々は,地理空間データ収集,処理,解析を自律的に行うことのできるGeoGPTと呼ばれる新しいフレームワークを開発した。
論文 参考訳（メタデータ） (2023-07-16T03:03:59Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z)
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。