論文の概要: Geo-Aware Models for Stream Temperature Prediction across Different Spatial Regions and Scales
- arxiv url: http://arxiv.org/abs/2510.09500v1
- Date: Fri, 10 Oct 2025 16:04:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 00:38:49.331762
- Title: Geo-Aware Models for Stream Temperature Prediction across Different Spatial Regions and Scales
- Title（参考訳）: 異なる空間領域とスケールにわたる流れ温度予測のためのジオアウェアモデル
- Authors: Shiyuan Luo, Runlong Yu, Shengyu Chen, Yingda Fan, Yiqun Xie, Yanhua Li, Xiaowei Jia,
- Abstract要約: GeoSTAR-Sは、異なる流域と空間スケールにまたがる水温を予測するためのフレームワークである。
GeoSTAR-Sの大きな革新は、ジオアウェア埋め込みの導入である。
河川水温予測におけるGeoSTAR-Sの有効性について検討した。
- 参考スコア（独自算出の注目度）: 30.77342818734587
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding environmental ecosystems is vital for the sustainable management of our planet. However,existing physics-based and data-driven models often fail to generalize to varying spatial regions and scales due to the inherent data heterogeneity presented in real environmental ecosystems. This generalization issue is further exacerbated by the limited observation samples available for model training. To address these issues, we propose Geo-STARS, a geo-aware spatio-temporal modeling framework for predicting stream water temperature across different watersheds and spatial scales. The major innovation of Geo-STARS is the introduction of geo-aware embedding, which leverages geographic information to explicitly capture shared principles and patterns across spatial regions and scales. We further integrate the geo-aware embedding into a gated spatio-temporal graph neural network. This design enables the model to learn complex spatial and temporal patterns guided by geographic and hydrological context, even with sparse or no observational data. We evaluate Geo-STARS's efficacy in predicting stream water temperature, which is a master factor for water quality. Using real-world datasets spanning 37 years across multiple watersheds along the eastern coast of the United States, Geo-STARS demonstrates its superior generalization performance across both regions and scales, outperforming state-of-the-art baselines. These results highlight the promise of Geo-STARS for scalable, data-efficient environmental monitoring and decision-making.
- Abstract（参考訳）: 環境生態系を理解することは、我々の惑星の持続可能な管理に不可欠である。
しかし、既存の物理モデルやデータ駆動モデルは、実際の環境生態系に現れる固有のデータ不均一性のために、様々な空間領域やスケールに一般化できないことが多い。
この一般化問題は、モデルトレーニングで利用可能な限られた観測サンプルによってさらに悪化する。
これらの問題に対処するために,異なる流域と空間スケールにわたる河川水温を予測する測地時空間モデリングフレームワークGeo-STARSを提案する。
Geo-STARSの大きな革新は、地理情報を活用し、空間領域と規模をまたいだ共有原則とパターンを明示的にキャプチャするジオアウェア埋め込みの導入である。
我々はさらに、ジオアウェアの埋め込みを、ゲート付き時空間グラフニューラルネットワークに統合する。
この設計により、スパースや観測データがない場合でも、地理的・水文学的文脈でガイドされた複雑な空間的・時間的パターンを学習することができる。
河川水温予測におけるGeo-STARSの有効性について検討した。
米国東海岸の複数の流域に37年間にわたる実世界のデータセットを用いて、Geo-STARSは、地域とスケールの両方で優れた一般化性能を示し、最先端のベースラインを上回っている。
これらの結果は、スケーラブルでデータ効率のよい環境モニタリングと意思決定のためのGeo-STARSの約束を強調している。
関連論文リスト
- GeoBS: Information-Theoretic Quantification of Geographic Bias in AI Models [34.611626290720295]
我々はGeo-Biasスコア(Geo-Biasスコア)と呼ばれるジオバイアス評価のための情報理論の枠組みを確立する。
複雑な空間要因を考慮に入れた3つの新しい測地バイアススコアを提案する。
論文 参考訳（メタデータ） (2025-09-27T20:07:21Z) - DIGMAPPER: A Modular System for Automated Geologic Map Digitization [6.326773326196182]
地質図のデジタル化を自動化するために米国地質調査所(USGS)と共同で開発されたシステムであるDIGMAPPERについて述べる。
DIGMAPPERは、地図レイアウト分析、特徴抽出、ジオレファリングのための最先端のディープラーニングモデルを統合する、完全にDocker化されたワークフローオーケストレーションアーキテクチャを備えている。
DARPA-USGSデータセットからの100以上の注釈付き地図の評価は、ポリゴン、線、点特徴抽出において高い精度を示す。
論文 参考訳（メタデータ） (2025-06-19T03:51:47Z) - 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) - 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) - 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) - Spatially Regularized Graph Attention Autoencoder Framework for Detecting Rainfall Extremes [2.273531916003657]
1990年から2015年までのインドにおける降雨データにおけるスケーラブルな異常検出の課題に対処するために,空間正規化を備えたグラフ注意自動符号化(GAE)を導入している。
我々の研究は、気候科学における高度な時間的異常検出手法の道のりを開拓し、より良い気候準備と応答戦略に寄与する。
論文 参考訳（メタデータ） (2024-11-12T12:24:48Z) - GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。
オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。
我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
論文 参考訳（メタデータ） (2023-05-11T03:21:56Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z) - Semi-Automated Segmentation of Geoscientific Data Using Superpixels [4.035753155957697]
地質学的プロセスは、臨界鉱物、水、地熱エネルギーなどの資源の分布を決定する。
スーパーピクセルの概念に触発されて,類似した特徴を持つ領域に分割したサーベイデータに対する深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-20T19:21:46Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z)
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。