論文の概要: Utilizing Earth Foundation Models to Enhance the Simulation Performance of Hydrological Models with AlphaEarth Embeddings

• arxiv url: http://arxiv.org/abs/2601.01558v1
• Date: Sun, 04 Jan 2026 15:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.530012
• Title: Utilizing Earth Foundation Models to Enhance the Simulation Performance of Hydrological Models with AlphaEarth Embeddings
• Title（参考訳）: アルファアース埋め込みを用いた水文モデルのシミュレーション性能向上のための地球基盤モデルの利用
• Authors: Pengfei Qu, Wenyu Ouyang, Chi Zhang, Yikai Chai, Shuolong Xu, Lei Ye, Yongri Piao, Miao Zhang, Huchuan Lu,
• Abstract要約: 本研究は,AlphaEarth Foundationの埋設物が,流域特性を説明するためのより有益な方法であるかどうかを考察する。 トレーニングに使用しない流域内の流れを予測した場合, 精度の高いモデルが得られた。
• 参考スコア（独自算出の注目度）: 48.54230513143053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting river flow in places without streamflow records is challenging because basins respond differently to climate, terrain, vegetation, and soils. Traditional basin attributes describe some of these differences, but they cannot fully represent the complexity of natural environments. This study examines whether AlphaEarth Foundation embeddings, which are learned from large collections of satellite images rather than designed by experts, offer a more informative way to describe basin characteristics. These embeddings summarize patterns in vegetation, land surface properties, and long-term environmental dynamics. We find that models using them achieve higher accuracy when predicting flows in basins not used for training, suggesting that they capture key physical differences more effectively than traditional attributes. We further investigate how selecting appropriate donor basins influences prediction in ungauged regions. Similarity based on the embeddings helps identify basins with comparable environmental and hydrological behavior, improving performance, whereas adding many dissimilar basins can reduce accuracy. The results show that satellite-informed environmental representations can strengthen hydrological forecasting and support the development of models that adapt more easily to different landscapes.
• Abstract（参考訳）: 流域は気候、地形、植生、土壌に異なる反応を示すため、流水記録のない場所での河川流の予測は困難である。 伝統的な盆地属性はこれらの違いのいくつかを記述しているが、自然環境の複雑さを完全に表すことはできない。 本研究は、専門家が設計した衛星画像の大規模な収集から得られたAlphaEarth Foundationの埋め込みが、流域特性を記述するためのより有益な方法であるかどうかを考察する。 これらの埋め込みは植生、土地表面特性、長期環境力学のパターンを要約している。 トレーニングに使用しない盆地内の流れを予測した場合, それらを用いたモデルの方が精度が高く, 従来の属性よりも重要な物理的差異を効果的に捉えることが示唆された。 さらに、適切なドナー盆地の選択が未開地での予測にどのように影響するかを考察する。 埋め込みに基づく類似性は、同等の環境および水文的な挙動を持つ盆地を特定するのに役立ち、性能を向上させる一方、多くの異なる盆地を追加することで精度が低下する。 その結果, 衛星による環境表現は, 水文予測を強化し, 異なる景観に適応しやすいモデルの開発を支援することが示唆された。

関連論文リスト

• StefaLand: An Efficient Geoscience Foundation Model That Improves Dynamic Land-Surface Predictions [8.261844935991348]
  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。
  論文  参考訳（メタデータ） (2025-09-22T16:05:45Z)
• Geospatial Diffusion for Land Cover Imperviousness Change Forecasting [0.0]
  本稿では,歴史的・補助的なデータソースに規定されたデータ問題としてLULC予測をフレーミングすることにより,土地被覆変化予測のためのジェネレーティブAI(GenAI)を利用した新しいパラダイムを提案する。 本研究では,不確実性予測のための拡散モデルをトレーニングし,その性能を全く変化しないベースラインと比較する。 トレーニング期間中に12大都市圏で1年間にわたり評価した結果,平均分解能が$geq 0.7times0.7km2$の場合,これらのベースラインよりもMAEが低いことが示唆された。
  論文  参考訳（メタデータ） (2025-08-14T13:45:10Z)
• Retrieval-Augmented Water Level Forecasting for Everglades [1.2163458046014013]
  本稿では,予測前のモデル入力を豊かにするために,Retrieval-Augmented Forecasting (RAF) を水文学領域に導入する。 RAFは、歴史的データから関連するパターンを特定し、組み込んで、文脈認識と予測精度を高める。 本研究では,エバーグレーズにおける実世界のデータに関する総合的な評価を行い,RAFフレームワークが水位予測精度を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-08-06T21:27:12Z)
• 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)
• 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)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)

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。