論文の概要: Low-Rank Adaptation of Geospatial Foundation Models for Wildfire Mapping Using Sentinel-2 Data

• arxiv url: http://arxiv.org/abs/2605.04989v1
• Date: Wed, 06 May 2026 14:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.88465
• Title: Low-Rank Adaptation of Geospatial Foundation Models for Wildfire Mapping Using Sentinel-2 Data
• Title（参考訳）: センチネル-2データを用いた森林火災マッピングのための地理空間基盤モデルの低域適応
• Abstract要約: 本研究では,Sentinel-2データを用いて,米国とカナダを横断する焼成領域マッピングのための3つの最新地理空間基盤モデル(GFMs)を評価した。 各モデルに適用するために、フル微調整、デコーダのみの微調整、ローランド適応(LoRA)を比較した。 LoRAのPrithvi-v2は、完全な微調整に比べて全体的な精度と最大の改善を実現している。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wildfire burned-area mapping is essential for damage assessment, emissions modeling, and understanding fire-climate interactions across diverse ecological regions. Recent geospatial foundation models provide strong general-purpose representations for satellite imagery, yet there is still no clear understanding of how to efficiently adapt these models for downstream Earth observation tasks, particularly under geographic and temporal domain shift. This study evaluates three state-of-the-art Geospatial Foundation Models (GFMs) - Terramind, DINOv3, and Prithvi-v2 - for burned-area mapping across the United States and Canada using Sentinel-2 data. Leveraging 3,820 wildfire events from 2017-2023, we conduct spatial and temporal generalization tests across diverse biomes. We systematically compare full fine-tuning, decoder-only fine-tuning, and Low-Rank Adaptation (LoRA) for adapting each model. Across all experiments, LoRA provides the strongest cross-domain generalization while updating less than 1% of parameters, demonstrating a favorable trade-off between accuracy and efficiency. Prithvi-v2 with LoRA achieves the highest overall accuracy and the largest improvement compared to full fine-tuning. These findings indicate that geospatial foundation models, when adapted using lightweight parameter-efficient methods such as LoRA, offer a robust and scalable solution for large-scale burned-area mapping. Code is available at https://github.com/alishibli97/wildfire-lora-gfm.
• Abstract（参考訳）: 森林火災の火災領域のマッピングは、損傷評価、エミッションモデリング、および様々な生態領域における火災・気候相互作用の理解に不可欠である。 近年の地空間基盤モデルは、衛星画像に対して強力な汎用的表現を提供するが、これらのモデルを下流の地球観測、特に地理的・時間的領域シフトに効果的に適応する方法については、まだ明確には分かっていない。 本研究では,米国とカナダを横断する焼成領域マッピングにおいて,地球空間基盤モデル (GFMs) としてTerramind, DINOv3, Prithvi-v2 をSentinel-2データを用いて評価した。 2017-2023年に3,820件の山火事を発生させ,多様な生物群を対象とした空間的および時間的一般化試験を行った。 各モデルに対応するために,フル微調整,デコーダのみの微調整,ローランド適応(LoRA)を体系的に比較した。 すべての実験において、LoRAは、1%未満のパラメータを更新しながら、最も強力なクロスドメインの一般化を提供し、精度と効率のトレードオフを示す。 LoRAのPrithvi-v2は、完全な微調整に比べて全体的な精度と最大の改善を実現している。 これらの結果から,LoRAのような軽量パラメータ効率の手法を応用した地理空間基盤モデルでは,大規模焼成領域マッピングのための堅牢でスケーラブルなソリューションが提供されることがわかった。 コードはhttps://github.com/alishibli97/wildfire-lora-gfmで公開されている。

関連論文リスト

• Spectral-Morphological Attention U-Net: An Efficient Network for Active Wildfire Detection [0.692305735698369]
  本稿では,スペクトルアテンションモジュール,残留アテンションUNetバックボーン,チャネル空間変調器,一対の異形ゲートを含むスペクトルアテンションU-Net(SMA-UNet)と呼ばれる新しいモデルを提案する。 バックボーンを除くこれらのモジュールは、特に一対の異なる形態的ゲートにおいて、初めて活動的な火災イベントを検出するために使用される。
  論文  参考訳（メタデータ） (2026-07-17T19:37:16Z)
• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• 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)
• The World As Large Language Models See It: Exploring the reliability of LLMs in representing geographical features [0.0]
  本研究では, GPT-4o と Gemini 2.0 Flash の3つの地理空間的タスク(ジオコーディング, 標高推定, 逆ジオコーディング)における性能評価を行った。 どちらのモデルもオーストリアの連邦国家の正確な再構築を達成せず、永続的な誤分類を強調した。
  論文  参考訳（メタデータ） (2025-05-30T20:14:17Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
  この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。 その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
  論文  参考訳（メタデータ） (2025-03-10T12:15:35Z)
• LiDAR-based Registration against Georeferenced Models for Globally Consistent Allocentric Maps [16.335109366948473]
  現代の無人航空機(UAV)は、状況の概要を把握したり、人員を危険にさらすことなくクローズアップを提供するため、捜索救難(SAR)ミッションでは不可能である。 しかし、UAVはオープンスペースでうまく機能するグローバルナビゲーション衛星システム(GNSS)に大きく依存しているが、その精度は建物周辺で劇的に低下している。 対照的に、CityGMLモデルは正確なジオレファレンスポーズを持つ近似的な建物形状を提供する。
  論文  参考訳（メタデータ） (2024-12-03T16:25:08Z)
• Comparing remote sensing-based forest biomass mapping approaches using new forest inventory plots in contrasting forests in northeastern and southwestern China [6.90293949599626]
  大規模高空間分解能地上バイオマス(AGB)マップは、森林炭素ストックの決定と変化の過程において重要な役割を担っている。 GEDIは、散布された足跡を収集するサンプリング装置であり、そのデータは他の連続カバー衛星のデータと組み合わせて高解像度の地図を作成する必要がある。 GEDI L2Aデータから森林AGBを推定するローカルモデルを開発した。
  論文  参考訳（メタデータ） (2024-05-24T11:10:58Z)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
  GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。 本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
  論文  参考訳（メタデータ） (2023-06-06T21:27:08Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)

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。