論文の概要: Better Together: Evaluating the Complementarity of Earth Embedding Models

• arxiv url: http://arxiv.org/abs/2605.18667v1
• Date: Mon, 18 May 2026 17:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:50.123041
• Title: Better Together: Evaluating the Complementarity of Earth Embedding Models
• Title（参考訳）: より良い組み合わせ:地球埋め込みモデルの相補性を評価する
• Authors: Thijs L van der Plas, Jacob JW Bakermans, Vishal Nedungadi, Gabrielė Tijūnaitytė, Marc Rußwurm, Ioannis N Athanasiadis,
• Abstract要約: 地球埋め込みモデルは、地球観測データを地球表面の場所と一意に結びついた埋め込みに変換する。 これらのモデルは通常、個別に評価され、異なる地球埋め込みで下流タスクのパフォーマンスを比較する。 本研究では, それらの相補性による地球埋め込みの評価について提案する: 最高の単一モデルベースライン上での融合埋め込みの性能向上である。
• 参考スコア（独自算出の注目度）: 5.793071003655904
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Earth embedding models transform Earth observation data into embeddings uniquely tied to locations on the Earth's surface. These models are typically evaluated in isolation, comparing the downstream task performance across different Earth embeddings. However, spatially aligned embeddings can naturally be fused, providing richer information per location, a capability that isolated evaluations fail to capture. We therefore propose assessing Earth embeddings by their complementarity: the performance gain of fused embeddings over the best single-model baseline. To operationalise this, we introduce an embedding complementarity index applicable to any embedding and task, and evaluate four Earth embedding models (AlphaEarth, Tessera, GeoCLIP, SatCLIP) in isolation, in all pairs, and jointly across six downstream tasks. Fused embeddings outperform the best single model in four out of six tasks, confirming that single-embedding evaluations often underestimate Earth embedding capabilities. Complementarity proves both task- and location-dependent. Further, for a land cover regression task, we find that complementarity is partially determined by the spatial scale of land cover classes. Complementarity reframes Earth embeddings: the greatest future gains may come not from any single Earth embedding model, but from combinations that are better together.
• Abstract（参考訳）: 地球埋め込みモデルは、地球観測データを地球表面の場所と一意に結びついた埋め込みに変換する。 これらのモデルは通常、個別に評価され、異なる地球埋め込みで下流タスクのパフォーマンスを比較する。 しかし、空間的に整列した埋め込みは自然に融合し、よりリッチな情報を提供する。 そこで本研究では,その相補性による地球埋め込みの評価について提案する。 そこで本研究では,任意の組込みタスクに適用可能な組込み相補性指数を導入し,組込みモデル(AlphaEarth,Tessera,GeoCLIP,SatCLIP)を4つの組込みモデル(AlphaEarth,Tessera,GeoCLIP,SatCLIP)を独立に,かつ6つの下流タスクで共同で評価する。 融合埋め込みは6つのタスクのうち4つの中で最高の単一モデルよりも優れており、単一の埋め込み評価が地球埋め込み能力を過小評価することが多いことを確認している。 相補性はタスク依存と位置依存の両方を証明する。 さらに,土地被覆回帰タスクでは,土地被覆クラスの空間スケールによって相補性が部分的に決定されることがわかった。 補足性(complementarity reframes) 地球埋め込み: 最も大きな将来的な利益は、単一の地球埋め込みモデルからではなく、より良く結合された組み合わせから生まれるかもしれない。

関連論文リスト

• Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
  我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
  論文  参考訳（メタデータ） (2026-05-07T14:27:48Z)
• PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
  本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。 U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。 我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-03-28T02:47:46Z)
• Towards Scalable and Generalizable Earth Observation Data Mining via Foundation Model Composition [0.0]
  リモートセンシングと一般ビジョンデータセットに事前訓練された基礎モデルを効果的に組み合わせて性能を向上させることができるかを検討する。 その結果、より小さな事前訓練モデルの特徴レベルのアンサンブルは、はるかに大きなモデルの性能に適合するか、超える可能性があることがわかった。 この研究は、よりコンパクトなモデルにアンサンブルの強度を伝達するために知識蒸留を適用する可能性を強調している。
  論文  参考訳（メタデータ） (2025-06-25T07:02:42Z)
• 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)
• OmniEarth-Bench: Towards Holistic Evaluation of Earth's Six Spheres and Cross-Spheres Interactions with Multimodal Observational Earth Data [72.98496934729245]
  地球科学におけるマルチモーダル学習のための既存のベンチマークは、地球の球体とその球体間相互作用の限定されたサイロ化されたカバレッジを提供する。 textbf OmniEarth-Benchは、6つの球体すべてに体系的にまたがる最初のマルチモーダルベンチマークである。 OmniEarth-Benchはスケーラブルでモジュール型のトポロジデータ推論フレームワークとネイティブなマルチオブザーブレーションソースで構築され、29,855の標準化された専門家によるアノテーションを生成する。
  論文  参考訳（メタデータ） (2025-05-29T15:02:27Z)
• REOBench: Benchmarking Robustness of Earth Observation Foundation Models [48.24281482353377]
  REOBenchは、地球観測基盤モデルの堅牢性を評価するための最初の総合的なベンチマークである。 マスク付き画像モデリング、コントラスト学習、視覚言語事前学習パラダイムを用いて訓練された幅広いモデルの体系的評価を行う。 その結果, 既存の地球観測基盤モデルでは, 入力汚損に晒された場合, 顕著な性能劣化がみられた。
  論文  参考訳（メタデータ） (2025-05-22T15:34:50Z)
• DUNIA: Pixel-Sized Embeddings via Cross-Modal Alignment for Earth Observation Applications [39.0842608370641]
  画像とフルウェーブフォームLiDARデータの相互アライメントにより画素サイズの埋め込みを学習するDUNIAを提案する。 モデルが対照的に訓練されているため、組込みはゼロショット環境で様々な環境モニタリングタスクの文脈で直接活用することができる。
  論文  参考訳（メタデータ） (2025-02-24T11:28:00Z)
• 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。