論文の概要: TerraFlow: Multimodal, Multitemporal Representation Learning for Earth Observation
- arxiv url: http://arxiv.org/abs/2603.12762v1
- Date: Fri, 13 Mar 2026 08:04:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-16 17:38:11.990849
- Title: TerraFlow: Multimodal, Multitemporal Representation Learning for Earth Observation
- Title（参考訳）: TerraFlow:地球観測のためのマルチモーダル・マルチテンポラル表現学習
- Authors: Nazar Puriy, Johannes Jakubik, Benedikt Blumenstiel, Konrad Schindler,
- Abstract要約: 地球観測のためのマルチモーダル・マルチテンポラル学習のための新しいアプローチTerraFlowを提案する。
本実験は,GEO-Bench-2ベンチマークの時間的タスク全体にわたって,地球観測の最先端基盤モデルよりもTerraFlowの方が優れていることを示す。
- 参考スコア（独自算出の注目度）: 24.50677545168853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose TerraFlow, a novel approach to multimodal, multitemporal learning for Earth observation. TerraFlow builds on temporal training objectives that enable sequence-aware learning across space, time, and modality, while remaining robust to the variable-length inputs commonly encountered in real-world Earth observation data. Our experiments demonstrate superiority of TerraFlow over state-of-the-art foundation models for Earth observation across all temporal tasks of the GEO-Bench-2 benchmark. We additionally demonstrate that TerraFlow is able to make initial steps towards deep-learning based risk map prediction for natural disasters -- a task on which other state-of-the-art foundation models frequently collapse. TerraFlow outperforms state-of-the-art foundation models by up to 50% in F1 score and 24% in Brier score.
- Abstract（参考訳）: 地球観測のためのマルチモーダル・マルチテンポラル学習のための新しいアプローチTerraFlowを提案する。
TerraFlowは、空間、時間、モダリティにまたがるシーケンシャルな学習を可能にすると同時に、現実世界の地球観測データでよく見られる可変長の入力に頑健な時間的トレーニングの目標を構築している。
本実験は,GEO-Bench-2ベンチマークの時間的タスク全体にわたって,地球観測の最先端基盤モデルよりもTerraFlowの方が優れていることを示す。
私たちはまた、TerraFlowが、自然災害に対するディープラーニングベースのリスクマップ予測への最初のステップを可能にすることを実証しています。
TerraFlowは、F1スコアで50%、Brierスコアで24%、最先端のファンデーションモデルを上回っている。
関連論文リスト
- OlmoEarth: Stable Latent Image Modeling for Multimodal Earth Observation [68.10925029626709]
オルモアース(OlmoEarth)は、地球観測領域向けに設計された、多モードでシーケンシャルな基礎モデルである。
OlmoEarthは12のファンデーションモデルと比較して最先端のパフォーマンスを実現している。
我々はOlmoEarthを、データ収集、ラベル付け、トレーニング観察、地球観測モデルの推測のためのエンドツーエンドプラットフォームのバックボーンとして配置する。
論文 参考訳（メタデータ） (2025-11-17T18:06:26Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z) - TerraMind: Large-Scale Generative Multimodality for Earth Observation [9.1127434195526]
TerraMindは、地球観測のための初の生成的マルチモーダル基礎モデルである。
他のマルチモーダルモデルとは異なり、TerraMindはトークンレベルとピクセルレベルのデータを組み合わせたデュアルスケール表現で事前訓練されている。
論文 参考訳（メタデータ） (2025-04-15T13:17:39Z) - A Foundation Model for the Earth System [82.73624748093333]
我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。
オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
論文 参考訳（メタデータ） (2024-05-20T14:45:18Z) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳（メタデータ） (2023-01-12T02:07:26Z) - Earthformer: Exploring Space-Time Transformers for Earth System
Forecasting [27.60569643222878]
本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。
Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。
降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2022-07-12T20:52:26Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z)
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。