論文の概要: Evaluating the Alignment Between GeoAI Explanations and Domain Knowledge in Satellite-Based Flood Mapping

• arxiv url: http://arxiv.org/abs/2604.26051v1
• Date: Tue, 28 Apr 2026 18:41:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.145007
• Title: Evaluating the Alignment Between GeoAI Explanations and Domain Knowledge in Satellite-Based Flood Mapping
• Title（参考訳）: 衛星を用いた洪水マッピングにおけるGeoAI説明とドメイン知識の整合性の評価
• Authors: Hyunho Lee, Wenwen Li,
• Abstract要約: 本研究は地球観測のためのGeoAIにおける説明可能性とドメイン知識のギャップを埋めることに寄与する。 提案フレームワークは、ディープラーニングモデルの説明が確立されたリモートセンシング知識とどのように一致しているかを評価するために設計されている。
• 参考スコア（独自算出の注目度）: 5.658491018082432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing number of satellites has improved the temporal resolution of Earth observation, making satellite-based flood mapping a promising approach for operational flood monitoring. Deep learning-based approaches for flood mapping using satellite imagery, an important application within Geospatial Artificial Intelligence (GeoAI), have shown improved predictive performance by learning complex spatial and spectral patterns from large volumes of remote sensing data. However, the opaque decision-making processes of deep learning models remain a major barrier to their integration into critical scientific and operational workflows. This highlights the need for a systematic assessment of whether model explanations align with established domain knowledge in remote sensing. To address this research gap, this study introduces the ADAGE (Alignment between Domain Knowledge And GeoAI Explanation Evaluation) framework. The proposed framework is designed to systematically evaluate how well explanations of deep learning models align with established remote sensing knowledge, particularly regarding the distinctive spectral properties of the Earth's surface. The ADAGE framework employs Channel-Group SHAP (SHapley Additive exPlanations) method to estimate the contributions of grouped input channels to pixel-level predictions. Experiments on two satellite-based flood mapping tasks demonstrate that the ADAGE framework can (1) quantitatively assess the alignment between model explanations and reference explanations derived from domain knowledge and (2) help domain experts identify misaligned explanations through alignment scores. This study contributes to bridging the gap between explainability and domain knowledge in GeoAI for Earth observation, enhancing the applicability of GeoAI models in scientific and operational workflows.
• Abstract（参考訳）: 衛星の数が増加し、地球観測の時間分解能が向上し、衛星ベースの洪水マッピングが運用上の洪水モニタリングの有望なアプローチとなった。 地球空間人工知能(GeoAI)における重要な応用である衛星画像を用いた深層学習に基づく洪水マッピングのアプローチは、大量のリモートセンシングデータから複雑な空間パターンとスペクトルパターンを学習することで予測性能を向上させることを示した。 しかし、ディープラーニングモデルの不透明な意思決定プロセスは、科学的および運用上の重要なワークフローに統合する上で、依然として大きな障壁となっている。 これは、モデル説明がリモートセンシングにおいて確立されたドメイン知識と一致するかどうかを体系的に評価する必要性を強調している。 この研究ギャップに対処するため,本研究では,ADAGE(Domain Knowledge and GeoAI Explanation Evaluation)フレームワークを紹介した。 提案フレームワークは,特に地球表面のスペクトル特性について,深層学習モデルの説明が既存のリモートセンシングの知識とどのように一致しているかを体系的に評価するために設計されている。 ADAGEフレームワークは、Channel-Group SHAP (SHapley Additive exPlanations) 法を用いて、画素レベルの予測に対するグループ入力チャネルのコントリビューションを推定する。 2つの衛星ベースの洪水マッピングタスクの実験では、(1)モデル説明とドメイン知識からの参照説明の整合性を定量的に評価し、(2)アライメントスコアを用いてドメインの専門家が不整合説明を識別できることが示されている。 本研究は、地球観測のためのGeoAIにおける説明可能性とドメイン知識のギャップを埋めることに寄与し、科学および運用のワークフローにおけるGeoAIモデルの適用性を高めることに寄与する。

関連論文リスト

• OpenEarthAgent: A Unified Framework for Tool-Augmented Geospatial Agents [68.85365034738534]
  本稿では,衛星画像,自然言語クエリ,詳細な推論トレースに基づいて学習したツール拡張された地理空間エージェントを開発するための統一的なフレームワークを提案する。 トレーニングパイプラインは、構造化推論軌道上の教師付き微調整に依存し、モデルを検証された多段階ツールの相互作用と整合させる。 付随コーパスは、14,538のトレーニングと1,169の評価インスタンスから構成され、トレーニングスプリットでは100K以上の推論ステップ、評価スプリットでは7K以上の推論ステップがある。
  論文  参考訳（メタデータ） (2026-02-19T18:59:54Z)
• GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
  本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。 従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
  論文  参考訳（メタデータ） (2026-02-13T04:48:05Z)
• Geospatial Artificial Intelligence for Satellite-Based Flood Extent Mapping: Concepts, Advances, and Future Perspectives [1.842368798362815]
  衛星ベースの洪水範囲マッピングのためのGeoAIは、人工知能技術と衛星データを統合し、洪水イベントを特定し、その影響を評価する。 一次出力は、しばしば洪水範囲の地図を含み、影響地域を詳細に表し、不確実性推定や変化検出などの分析出力も含む。
  論文  参考訳（メタデータ） (2025-04-03T02:08:22Z)
• 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)
• Assessment of a new GeoAI foundation model for flood inundation mapping [4.312965283062856]
  そこで本稿は,IBM-NASAのPrithviによる地空間基盤モデルの性能評価を行い,地空間解析の重要課題である洪水浸水マッピングを支援する。 実験では、ベンチマークデータセットであるSen1Floods11を使用し、モデルの予測可能性、一般化可能性、転送可能性を評価する。 以上の結果から, 未確認領域におけるセグメンテーションにおけるPrithviモデルの性能上の優位性が示された。
  論文  参考訳（メタデータ） (2023-09-25T19:50:47Z)
• 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)
• Neural Topological SLAM for Visual Navigation [112.73876869904]
  意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。 本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2020-05-25T17:56:29Z)

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。