論文の概要: LakeFM: Toward a Foundation Model for Aquatic Ecosystems Using Irregular Multivariate Multi-depth Time Series Data

• arxiv url: http://arxiv.org/abs/2606.11268v1
• Date: Tue, 09 Jun 2026 05:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.099216
• Title: LakeFM: Toward a Foundation Model for Aquatic Ecosystems Using Irregular Multivariate Multi-depth Time Series Data
• Title（参考訳）: LakeFM:不規則な多変量多次元時系列データを用いた水生生態系の基礎モデルに向けて
• Authors: Abhilash Neog, Sepideh Fatemi, Medha Sawhney, Kazi Sajeed Mehrab, Aanish Pradhan, Bennett J. McAfee, Emma Marchisin, Arka Daw, Robert Ladwig, Cayelan C. Carey, Paul Hanson, Anuj Karpatne,
• Abstract要約: textscLakeFMは、大規模な生態データセットで事前訓練された水生システムの基盤モデルである。 textscLakeFMは湖面の広い特性にまたがる有意義な表現を学習している。 これは現実世界の湖の力学と整合した物理的に妥当な予測を生成する。
• 参考スコア（独自算出の注目度）: 8.269068577570511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and forecasting lake dynamics is critical for monitoring water quality and ecosystem health across lakes and reservoirs. While machine learning methods have been recently applied to ecological time-series data, existing works assume regular sampling in time and depth, and struggle to generalize across lakes with heterogeneous variables, depths, and observation patterns. To address these limitations, we introduce \textsc{LakeFM}, a foundation model for aquatic systems, pre-trained on large-scale ecological datasets comprising both simulated and observed lakes. Through extensive empirical evaluation, we show that \textsc{LakeFM} learns meaningful representations spanning broader lake-level characteristics, and achieves competitive or often superior-forecasting performance compared to existing time-series foundation and non-foundation models, while producing physically plausible predictions consistent with real-world lake dynamics.
• Abstract（参考訳）: 湖の動態の理解と予測は、湖沼や貯水池をまたいだ水質と生態系の健康をモニタリングするために重要である。 機械学習手法は最近、生態学的時系列データに適用されているが、既存の研究は時間と深さの定期的なサンプリングを前提としており、不均一な変数、深さ、観察パターンを持つ湖をまたいだ一般化に苦慮している。 これらの制約に対処するため, 模擬湖と観測湖の両方からなる大規模生態系データセットを事前学習した水生システムの基礎モデルである textsc{LakeFM} を紹介した。 実験的な評価を通じて,<textsc{LakeFM} はより広い湖面特性にまたがる有意義な表現を学習し,実世界の湖沼力学と整合した物理的に妥当な予測を導出しながら,既存の時系列基盤や非境界モデルと比較して,競争力や予測性能に優れることを示す。

関連論文リスト

• Automated high-frequency quantification of fish communities and biomass using computer vision [0.0]
  我々は,コンピュータビジョンを用いた水中映像から魚類群集を定量化するフレームワークを開発した。 このフレームワークは、カスタムメイドのステレオカメラシステムで取得したビデオを利用して、深層学習に基づく魚の識別、多目的追跡、そして3D再構成を統合する。 種組成の変化に伴う種多様性, 多量性, バイオマスの動的変動を明らかにするため, 日中観測による20日間のサンゴ礁の魚類群集にアプローチを適用した。
  論文  参考訳（メタデータ） (2026-05-11T12:20:37Z)
• Static and auto-regressive neural emulation of phytoplankton biomass dynamics from physical predictors in the global ocean [8.888913353055276]
  フィトクトンは海洋食物網の基礎であり、生態学的プロセスと地球規模の生物地球化学的サイクルの両方を駆動している。 その生態学的および気候学的重要性にもかかわらず、植物プランクトン力学は数値的な生物地球化学モデルにとって依然として課題である。
  論文  参考訳（メタデータ） (2026-02-04T15:55:34Z)
• Retrieval-Augmented Water Level Forecasting for Everglades [1.2163458046014013]
  本稿では,予測前のモデル入力を豊かにするために,Retrieval-Augmented Forecasting (RAF) を水文学領域に導入する。 RAFは、歴史的データから関連するパターンを特定し、組み込んで、文脈認識と予測精度を高める。 本研究では,エバーグレーズにおける実世界のデータに関する総合的な評価を行い,RAFフレームワークが水位予測精度を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-08-06T21:27:12Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• How Effective are Large Time Series Models in Hydrology? A Study on Water Level Forecasting in Everglades [1.147912082971675]
  エバーグレーズは洪水と干ばつ規制、水資源計画、生態系管理において重要な役割を果たしている。 従来の物理に基づく、水位を予測する統計的手法は、しばしば重大な課題に直面している。 大規模時系列モデルの最近の進歩は、これらの制限に対処する可能性を示している。
  論文  参考訳（メタデータ） (2025-05-02T17:48:20Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
  本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。 本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。 結果は、最先端のベイズ深層学習法と比較される。
  論文  参考訳（メタデータ） (2021-09-27T09:19:53Z)

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。