論文の概要: Harvesting AlphaEarth: Benchmarking the Geospatial Foundation Model for Agricultural Downstream Tasks
- arxiv url: http://arxiv.org/abs/2601.00857v1
- Date: Tue, 30 Dec 2025 01:04:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:21.794796
- Title: Harvesting AlphaEarth: Benchmarking the Geospatial Foundation Model for Agricultural Downstream Tasks
- Title（参考訳）: Harvesting AlphaEarth: 農業下流作業のための地理空間基盤モデルのベンチマーク
- Authors: Yuchi Ma, Yawen Shen, Anu Swatantran, David B. Lobell,
- Abstract要約: Google DeepMindがAlphaEarth Foundation(AEF)を発表した。
本研究は,米国における農業下流3つの課題におけるAFFの埋込み量を評価することによって,いくつかのギャップを解消する。
AEFベースのモデルは通常、すべてのタスクで強力なパフォーマンスを示し、目的のRSベースのモデルと競合する。
- 参考スコア（独自算出の注目度）: 7.953016091431386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geospatial foundation models (GFMs) have emerged as a promising approach to overcoming the limitations in existing featurization methods. More recently, Google DeepMind has introduced AlphaEarth Foundation (AEF), a GFM pre-trained using multi-source EOs across continuous time. An annual and global embedding dataset is produced using AEF that is ready for analysis and modeling. The internal experiments show that AEF embeddings have outperformed operational models in 15 EO tasks without re-training. However, those experiments are mostly about land cover and land use classification. Applying AEF and other GFMs to agricultural monitoring require an in-depth evaluation in critical agricultural downstream tasks. There is also a lack of comprehensive comparison between the AEF-based models and traditional remote sensing (RS)-based models under different scenarios, which could offer valuable guidance for researchers and practitioners. This study addresses some of these gaps by evaluating AEF embeddings in three agricultural downstream tasks in the U.S., including crop yield prediction, tillage mapping, and cover crop mapping. Datasets are compiled from both public and private sources to comprehensively evaluate AEF embeddings across tasks at different scales and locations, and RS-based models are trained as comparison models. AEF-based models generally exhibit strong performance on all tasks and are competitive with purpose-built RS-based models in yield prediction and county-level tillage mapping when trained on local data. However, we also find several limitations in current AEF embeddings, such as limited spatial transferability compared to RS-based models, low interpretability, and limited time sensitivity. These limitations recommend caution when applying AEF embeddings in agriculture, where time sensitivity, generalizability, and interpretability is important.
- Abstract（参考訳）: 地空間基盤モデル(GFM)は,既存の工芸法の限界を克服するための有望なアプローチとして登場した。
最近では、Google DeepMindがAlphaEarth Foundation (AEF)を導入した。
年間およびグローバルな埋め込みデータセットは、分析とモデリングの準備ができているAFFを使用して作成される。
内部実験により、AEFの埋め込みは15のEOタスクにおいて再トレーニングなしで運用モデルを上回る性能を示した。
しかし、これらの実験は主に土地被覆と土地利用分類に関するものである。
AEFや他のGFMを農業モニタリングに適用するには、重要な農業下流作業において、詳細な評価が必要である。
AEFベースのモデルと、異なるシナリオ下での従来のリモートセンシング(RS)ベースのモデルとの包括的な比較が欠如しており、研究者や実践者にとって貴重なガイダンスを提供する可能性がある。
本研究は,農作物の収量予測,耕作のマッピング,カバー作物のマッピングなど,米国の3つの農業下流課題におけるAFFの組込みを評価することで,これらのギャップを解消するものである。
データセットはパブリックソースとプライベートソースの両方からコンパイルされ、さまざまなスケールとロケーションでタスク間のAFF埋め込みを包括的に評価し、RSベースのモデルは比較モデルとしてトレーニングされる。
AEFベースのモデルは通常、すべてのタスクに対して強いパフォーマンスを示し、ローカルデータでトレーニングされた場合、収量予測や郡レベルのトージマッピングにおいて、目的に作られたRSベースのモデルと競合する。
しかし、RSモデルと比較して空間伝達可能性の制限、解釈可能性の低下、時間感度の制限など、現在のAFF埋め込みにもいくつかの制限がある。
これらの制限は、時間感受性、一般化可能性、解釈可能性が重要である農業にAFF埋め込みを適用する際に注意を喚起する。
関連論文リスト
- GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。
GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。
GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
論文 参考訳（メタデータ） (2025-11-19T17:45:02Z) - LandSegmenter: Towards a Flexible Foundation Model for Land Use and Land Cover Mapping [13.59442852640533]
土地利用と土地被覆(LULC)マッピングは、地球観測の基本的な課題である。
ファンデーションモデル(FM)の最近の進歩は、ユニバーサルモデルを構築するための有望な機会を提供する。
本研究では,LandSegmenterを提案する。LULC FMフレームワークは,入力,モデル,出力レベルにおける3段階の課題を解決する。
論文 参考訳（メタデータ） (2025-11-11T12:08:26Z) - Time2Agri: Temporal Pretext Tasks for Agricultural Monitoring [0.46040036610482665]
我々は、時間差予測(TD)、時間周波数予測(FP)、未来フレーム予測(FF)の3つの新しい農業特化前文タスクを提案する。
SICKLEデータセットの総合的な評価は、作物マッピングにおけるFF 69.6%のIoUを示し、FPは収量予測誤差を30.7%のMAPEに削減する。
また、FFをインドの全国規模に拡大して54.2%のIoUを達成し、フィールド境界線上のすべてのベースラインを上回りました。
論文 参考訳（メタデータ） (2025-07-06T12:20:19Z) - How Does the Spatial Distribution of Pre-training Data Affect Geospatial Foundation Models? [10.126199683760344]
地理空間モデル(GFM)は、気候変動、農業、災害対応といった世界的な課題に対処するのに役立つ。
GFMの以前の研究は、モデルアーキテクチャとプレテキストタスクの調整に重点を置いており、事前学習データの選択がモデルの性能に与える影響を調査しなかった。
本研究では,事前学習データの地理的分布がGFMの性能に与える影響について検討する。
論文 参考訳（メタデータ） (2025-01-21T22:57:09Z) - On Domain-Adaptive Post-Training for Multimodal Large Language Models [78.65220510401045]
本稿では,MLLMのドメイン適応をポストトレーニングにより体系的に検討する。
データ合成、トレーニングパイプライン、タスク評価に重点を置いています。
バイオメディシン、食品、リモートセンシングなどの高インパクト領域で実験を行う。
論文 参考訳（メタデータ） (2024-11-29T18:42:28Z) - Evaluating and Benchmarking Foundation Models for Earth Observation and Geospatial AI [26.986832126456413]
我々は、地球観測のための基礎モデル(EO)と地理空間AIのコンピュータビジョン応用に焦点を当てた。
限られたラベル付きデータに対して、ファンデーションモデルは問題固有モデルと比較して性能が向上することを示す。
本稿では,EOファンデーションモデルの評価ベンチマークを用いて,下流タスクにおいて,ファンデーションモデルがラベル効率が高いことを示す。
論文 参考訳（メタデータ） (2024-06-26T12:27:06Z) - Concept Drift and Long-Tailed Distribution in Fine-Grained Visual Categorization: Benchmark and Method [84.68818879525568]
コンセプションドリフトとLong-Tailed Distributionデータセットを提案する。
インスタンスの特徴は時間によって異なり、長い尾の分布を示す傾向がある。
本稿ではCDLTに関連する学習課題に対処する機能組換えフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-04T12:42:45Z) - A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。
SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。
一般的な3つの分類基準で30以上のSFDA法を比較検討した。
論文 参考訳（メタデータ） (2023-02-23T06:32:09Z) - Learning crop type mapping from regional label proportions in
large-scale SAR and optical imagery [9.303156731091532]
本研究は,作物ラベルの比率を事前に用いたオンラインディープクラスタリング手法を提案し,サンプルレベル分類器を学習する。
ブラジルの2つの異なる農業地域から得られた2つの大きなデータセットを用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2022-08-24T15:23:26Z) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-05T09:15:13Z)
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。