論文の概要: Do Foundation Model Embeddings Improve Cross-Country Crop Yield Generalisation? A Leave-One-Country-Out Evaluation in Sub-Saharan Africa

• arxiv url: http://arxiv.org/abs/2605.08113v1
• Date: Mon, 27 Apr 2026 22:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.708313
• Title: Do Foundation Model Embeddings Improve Cross-Country Crop Yield Generalisation? A Leave-One-Country-Out Evaluation in Sub-Saharan Africa
• Title（参考訳）: ファウンデーションモデルはクロスカントリー作物収量一般化を改善するか? : サハラ以南のアフリカにおける一対一の評価
• Authors: Yaw Osei Adjei,
• Abstract要約: 本稿では,従来のSentinel-2スペクトル特性よりも優れた地空間基盤モデル,特にPrithvi-EO-1.0-100MとViT-Baseが組み込まれているかを評価する。 内国ランダムなクロスバリデーションは適度なR2値をもたらすが、すべての特徴集合はクロスカントリーテストでは不十分に機能する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate predictions of smallholder maize yields across national boundaries are critical for food security planning in sub-Saharan Africa, yet most published benchmarks report within-country performance that overstates true generalisability. This paper evaluates whether geospatial foundation model embeddings, specifically Prithvi-EO-1.0-100M and ViT-Base, outperform traditional Sentinel-2 spectral features under a Leave-One-Country-Out cross-validation scheme on 6,404 maize field observations from five African countries. The results show a clear generalisability gap: within-country random cross-validation yields moderate R^2 values, but all feature sets perform poorly under cross-country testing, with universally negative R^2. Frozen Prithvi-EO embeddings provide no meaningful advantage over engineered spectral features for cross-country prediction in this setting. The paper argues that the main limitation is a shift in yield distribution between countries rather than representation quality and releases a reproducible negative benchmark for future work.
• Abstract（参考訳）: サハラ以南のアフリカでは、食料安全保障計画において、国の境界を越えて小作農の収量に関する正確な予測が重要であるが、ほとんどのベンチマークでは、真の一般化可能性を誇示する国内パフォーマンスを報告している。 アフリカ5カ国の6,404個のトウモロコシ畑観測において,地空間基盤モデル,特にPrithvi-EO-1.0-100MとViT-Baseが従来のSentinel-2スペクトル特性より優れているかを評価する。 その結果, クロスバリデーションは緩やかなR^2値を得るが, すべての特徴集合はクロスカントリーテストでは性能が悪く, 普遍的に負のR^2であることがわかった。 冷凍Prithvi-EO埋め込みは、この設定におけるクロスカントリー予測のためのエンジニアリングされたスペクトル特徴よりも有意義な優位性を提供する。 論文は、主な制限は、表現品質よりも国間の収量分布の変化であり、将来の作業のために再現可能な負のベンチマークをリリースする、と論じている。

関連論文リスト

• Can Persona-Prompted LLMs Emulate Subgroup Values? An Empirical Analysis of Generalisability and Fairness in Cultural Alignment [75.88231994139132]
  GPT-4.1のような最先端モデルでさえ、モーダル選好を予測する精度は57.4%に過ぎなかった。 モデルでは、若者、男性、中国人、キリスト教のペルソナをよりうまくエミュレートする。
  論文  参考訳（メタデータ） (2026-04-14T15:06:13Z)
• Conformal PM2.5 Mapping Under Spatial Covariate Shift: Satellite-Reanalysis Fusion for Africa's Green Industrial Transition [0.0]
  アフリカの緑の工業化は、大気の質を監視するための信頼性の高いインフラを必要としている。 我々は,29のアフリカ諸国404カ所から2,068,901件の記録に基づいて,衛星再分析PM2.5融合システムについて検討した。
  論文  参考訳（メタデータ） (2026-04-05T02:17:50Z)
• Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
  LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。 対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
  論文  参考訳（メタデータ） (2026-03-03T03:34:06Z)
• Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models [59.242742594156546]
  CoEvoは、テキストプロキシとビジュアルプロキシの両方を双方向でサンプル条件で適応するテストタイムフレームワークである。 CoEvoは最先端のパフォーマンスを実現し、AUROCを1.33%改善し、ImageNet-1KではFPR95を45.98%削減した。
  論文  参考訳（メタデータ） (2026-01-13T12:08:26Z)
• SAFE: A Novel Approach to AI Weather Evaluation through Stratified Assessments of Forecasts over Earth [18.705966042259405]
  地球上の予測の成層的評価(英: Stratified Assessments of Forecasts over Earth、SAFE)は、地球上で行われる一連の予測の成層的性能を解明するためのパッケージである。 SAFEはさまざまなデータドメインを統合して、地理空間グリッドポイントに関連するさまざまな属性を階層化する。 その重要性を示すために、SAFEを使用して、最先端のAIベースの天気予報モデルの動物園をベンチマークする。
  論文  参考訳（メタデータ） (2025-10-30T03:22:55Z)
• 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)
• 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)
• A weakly supervised framework for high-resolution crop yield forecasts [2.924891685949017]
  本稿では,高分解能入力と低分解能ラベルを用いて収量予測を行うディープラーニングフレームワークを提案する。 このフレームワークは、低解像度の作物の面積と収量統計からの弱い監督によって校正される。
  論文  参考訳（メタデータ） (2022-05-18T15:52:35Z)

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。