論文の概要: Geospatial foundation-model embeddings improve population estimation unevenly across space and scale

• arxiv url: http://arxiv.org/abs/2605.01650v1
• Date: Sun, 03 May 2026 00:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.866958
• Title: Geospatial foundation-model embeddings improve population estimation unevenly across space and scale
• Title（参考訳）: 空間的基盤モデル埋め込みは空間的・規模的に不均一に人口推定を改善する
• Authors: Wenbin Zhang, Eimear Cleary, Francisco Rowe, Somnath Chaudhuri, Maksym Bondarenko, Shengjie Lai, Andrew J. Tatem,
• Abstract要約: Population Dynamics Foundation Model (PDFM) はブラジル、ナイジェリア、アメリカ合衆国で試験された。 PDFMは予測適合度を20.1%(IQR: 10.0-33.2%)で増加させ、Kullback-Leiblerのばらつきを23.2%(9.2-26.2%)削減した。
• 参考スコア（独自算出の注目度）: 4.055687405756816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable subnational population estimates are essential for applications, yet remain difficult where censuses are sparse, outdated or spatially coarse. Existing population-mapping workflows rely on hand-built geospatial covariates, such as settlement extent, night-time lights, and environmental conditions, which must be assembled and harmonised across scales and geographies. Geospatial foundation models offer an alternative by learning reusable representations of place from more multifaceted and heterogeneous data sources. Here, we benchmark Population Dynamics Foundation Model (PDFM) embeddings against the harmonised geospatial covariates for subnational population estimation in Brazil, Nigeria and the United States. Under geographically structured validation, PDFM increased predictive fit by a median of 20.1% (IQR: 10.0-33.2%, across country-model comparisons) reduction in unexplained variance, and reduced Kullback-Leibler divergence by 23.2% (9.2-26.2%). However, these gains were uneven. PDFM was most advantageous where the geospatial covariates weakly characterised settlement context, such as larger and less-developed subnational areas. Moreover, PDFM performance was scale-coupled with embeddings providing less flexible transfer across spatial aggregations than geospatial covariates. These findings showed that geospatial foundation-model representations of place can improve population estimation in data poor settings, but their benefits break down predictably under spatial scale mismatch, revealing a fundamental limitation of current geospatial AI.
• Abstract（参考訳）: 信頼性の高い国別人口推計は応用には不可欠であるが、国勢調査が疎い場合、時代遅れの場合、または空間的に粗い場合、依然として困難である。 既存の人口削減のワークフローは、居住範囲、夜間照明、環境条件など、手作りの地理空間的共変体に依存しており、規模や地理をまたいで組み立てて調和させなければならない。 地理空間基盤モデルは、より多面的かつ異質なデータソースから場所の再利用可能な表現を学ぶことで代替手段を提供する。 ここでは,ブラジル,ナイジェリア,米国における地域空間共変量に対する人口動態モデル (Population Dynamics Foundation Model, PDFM) の組込みをベンチマークする。 地理的に構造化された検証の下で、PDFMは20.1%の中央値(IQR: 10.0-33.2%、国とモデルの比較で)で予測適合性を高め、説明されていない分散の減少とクルバック・リーブラーの偏差を23.2%(9.2-26.2%)減らした。 しかし、これらの利益は不公平であった。 PDFMが最も有利だったのは、地理空間の共変種が、より大きく、未発達の亜国の地域のような、居住環境を弱めていたことである。 さらに,空間アグリゲーション間のフレキシブルな移動を実現する埋め込みにより,PDFMの性能は空間空間共変量よりも小さくなった。 これらの結果から,空間的基盤モデルによる位置の表現は,データの粗悪な設定における人口推定を改善することができるが,その利点は空間的スケールのミスマッチの下で予測的に崩壊し,現在の地理空間的AIの基本的な限界が明らかとなった。

関連論文リスト

• Population synthesis with geographic coordinates [1.6419687521433917]
  粗い地理的領域ではなく、明確な座標で合成集団を生成することがますます重要である。 空間座標をより規則的な潜在空間にマッピングする集団合成アルゴリズムを提案する。 実家と同じ統計特性を持つ合成住宅を121データセットで生成し,その有効性を実証する。
  論文  参考訳（メタデータ） (2025-10-08T13:36:13Z)
• Feature-free regression kriging [4.270650728191168]
  本研究では,外部説明変数を必要とせずに回帰に基づくトレンドサーフェスを構築するためのFFRK(Feature-Free Regression Kriging)手法を提案する。 オーストラリアの鉱業地域における重金属3種の空間分布予測実験を行った。 提案手法は空間的非定常性に効果的に対処し,説明変数の取得コストを低減し,予測精度と能力の両方を改善した。
  論文  参考訳（メタデータ） (2025-07-10T02:34:07Z)
• RegionGCN: Spatial-Heterogeneity-Aware Graph Convolutional Networks [8.132751508556078]
  本研究では,地域レベルでの空間的プロセスの不均一性を個人レベルでではなく,地域レベルでモデル化することを提案する。 本研究では,2016年アメリカ合衆国大統領選挙における郡レベルの投票率の空間的予測に,地域GCNという空間的不均一性を考慮したグラフ畳み込みネットワークを適用した。
  論文  参考訳（メタデータ） (2025-01-29T12:09:01Z)
• Stability and Generalization for Distributed SGDA [70.97400503482353]
  分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。 我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。 理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2024-11-14T11:16:32Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Learning Regionalization using Accurate Spatial Cost Gradients within a Differentiable High-Resolution Hydrological Model: Application to the French Mediterranean Region [0.18139022013189662]
  未採集における分散水文パラメータの推定は, 地域化の問題を引き起こす。 本稿では,学習可能な地域化マッピングを取り入れたハイブリッド・アシミレーション・地域化(HDA-PR)手法を提案する。 その結果,特に上流から下流までの補間において,HDA-PRの強い地域化が顕著となった。
  論文  参考訳（メタデータ） (2023-08-02T07:23:50Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)

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。