論文の概要: From Landslide Conditioning Factors to Satellite Embeddings: Evaluating the Utilisation of Google AlphaEarth for Landslide Susceptibility Mapping using Deep Learning

• arxiv url: http://arxiv.org/abs/2601.07268v1
• Date: Mon, 12 Jan 2026 07:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.257809
• Title: From Landslide Conditioning Factors to Satellite Embeddings: Evaluating the Utilisation of Google AlphaEarth for Landslide Susceptibility Mapping using Deep Learning
• Title（参考訳）: 地すべり条件要因から衛星埋め込みへ:ディープラーニングを用いた地すべり感受性マッピングのためのGoogle AlphaEarthの利用評価
• Authors: Yusen Cheng, Qinfeng Zhu, Lei Fan,
• Abstract要約: 本研究は,地すべり感受性マップの代替予測器として,Google AlphaEarth埋め込みの可能性を評価した。 AEベースのモデルは、全ての領域とモデルで一貫してLCFを上回り、より高いF1スコア、AUC値、より安定したエラー分布を生み出した。
• 参考スコア（独自算出の注目度）: 1.6571781613404601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven landslide susceptibility mapping (LSM) typically relies on landslide conditioning factors (LCFs), whose availability, heterogeneity, and preprocessing-related uncertainties can constrain mapping reliability. Recently, Google AlphaEarth (AE) embeddings, derived from multi-source geospatial observations, have emerged as a unified representation of Earth surface conditions. This study evaluated the potential of AE embeddings as alternative predictors for LSM. Two AE representations, including retained principal components and the full set of 64 embedding bands, were systematically compared with conventional LCFs across three study areas (Nantou County, Taiwan; Hong Kong; and part of Emilia-Romagna, Italy) using three deep learning models (CNN1D, CNN2D, and Vision Transformer). Performance was assessed using multiple evaluation metrics, ROC-AUC analysis, error statistics, and spatial pattern assessment. Results showed that AE-based models consistently outperformed LCFs across all regions and models, yielding higher F1-scores, AUC values, and more stable error distributions. Such improvement was most pronounced when using the full 64-band AE representation, with F1-score improvements of approximately 4% to 15% and AUC increased ranging from 0.04 to 0.11, depending on the study area and model. AE-based susceptibility maps also exhibited clearer spatial correspondence with observed landslide occurrences and enhanced sensitivity to localised landslide-prone conditions. Performance improvements were more evident in Nantou and Emilia than in Hong Kong, revealing that closer temporal alignment between AE embeddings and landslide inventories may lead to more effective LSM outcomes. These findings highlight the strong potential of AE embeddings as a standardised and information-rich alternative to conventional LCFs for LSM.
• Abstract（参考訳）: データ駆動型地すべり感受性マッピング(LSM)は、一般に地すべり条件付け因子(LCF)に依存しており、その可用性、不均一性、および前処理に関する不確実性はマッピングの信頼性を制約することができる。 近年,Google AlphaEarth (AE) 埋め込みが,地球表面条件の統一表現として出現している。 本研究は,LSMの代替予測因子としてAE埋込みの可能性を評価した。 3つの深層学習モデル (CNN1D, CNN2D, Vision Transformer) を用いて, 台湾のナント郡, 香港, エミリア・ロマニャの一部, イタリアのエミリア・ロマニャの2つのAE表現を系統的に比較した。 複数の評価指標,ROC-AUC分析,誤差統計,空間パターン評価を用いて評価を行った。 その結果、AEベースのモデルでは、全ての領域やモデルでLCFを一貫して上回り、より高いF1スコア、AUC値、より安定したエラー分布が得られることがわかった。 このような改善は64バンドAEの完全な表現を使用する際に最も顕著であり、F1スコアの約4%から15%に改善され、AUCは研究領域とモデルによって0.04から0.11に増加した。 また, 地すべり発生時の空間的対応の明確化と, 局地的な地すべり発生条件に対する感度の向上が図られた。 香港よりも南都やエミリアでは, AE埋没と地すべり在庫との時間的密接な関係が, より効果的なLSM結果をもたらす可能性が示唆された。 これらの知見は,従来のLSM用LCFに代わる,標準的で情報に富んだ代替手段としてのAE埋め込みの強い可能性を示している。

関連論文リスト

• Benchmarking foundation models for hyperspectral image classification: Application to cereal crop type mapping [0.9407085421584646]
  本研究は、ハイパースペクトル画像を用いた穀物作物マッピングの基礎モデル3つをベンチマークする。 成績は総合的精度(OA)、平均精度(AA)、F1スコアで測定した。
  論文  参考訳（メタデータ） (2025-10-13T16:21:59Z)
• Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data [0.0]
  GNN-RNNとMMST-ViTの2つの最先端ディープラーニングモデルを現実的なアウト・オブ・ディストリビューション条件下でベンチマークする。 GNN-RNNは、地理的シフトの下では正の相関で優れた一般化を示し、MMST-ViTはドメイン内では良好に機能するが、OOD条件下では著しく劣化する。
  論文  参考訳（メタデータ） (2025-10-08T03:27:12Z)
• A comparison of stretched-grid and limited-area modelling for data-driven regional weather forecasting [0.493599216374976]
  限界領域モデル (LAM) とストレッチグリッドモデル (SGM) は高分解能な地域予測を生成するために出現している。 本研究の目的は,モデル設計の違いが相対的な性能と潜在的な応用に与える影響を理解することである。
  論文  参考訳（メタデータ） (2025-07-24T12:54:08Z)
• Distortions in Judged Spatial Relations in Large Language Models [45.875801135769585]
  GPT-4は55%の精度で優れた性能を示し、GPT-3.5は47%、Llama-2は45%であった。 モデルは、ほとんどの場合において最も近い基数方向を同定し、その連想学習機構を反映した。
  論文  参考訳（メタデータ） (2024-01-08T20:08:04Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• Exploring Generalisability of Self-Distillation with No Labels for SAR-Based Vegetation Prediction [5.057850174013128]
  2つの合成開口レーダデータセット(S1GRD, GSSIC)を3つの地域(中国, コーヌス, ヨーロッパ)で使用したDINO-ViTベースモデルの事前学習を行う。 より小さなラベル付きデータセット上でモデルを微調整し、植生の割合を予測するとともに、モデルの埋め込み空間と、多様な地理的領域をまたいで一般化し、見当たらないデータとの接続を実証的に研究する。
  論文  参考訳（メタデータ） (2023-10-03T13:41:13Z)
• 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)
• Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations [58.442103936918805]
  注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。 AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
  論文  参考訳（メタデータ） (2022-06-30T17:55:12Z)

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。