論文の概要: Continuous biome representations from Earth observation embeddings

• arxiv url: http://arxiv.org/abs/2606.11510v1
• Date: Tue, 09 Jun 2026 23:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.212625
• Title: Continuous biome representations from Earth observation embeddings
• Title（参考訳）: 地球観測埋没物からの連続的バイオーム表現
• Authors: Maxwell B. Joseph, Flávia De Souza Mendes, Dieu My T. Nguyen, Camile Sothe, Christopher B. Anderson,
• Abstract要約: 我々はClay v1.5衛星画像の埋め込みに線形分類器を装着し、分類図からバイオミーラベルを予測する。 ソフトマックス出力は、名前付きバイオメクラスに対応する次元を持つ連続確率ベクトルを生成する。 ブラジルの6つの生物群,130万の埋没地,および10,015の森林在庫計画を用いて,4,672種の植物種を対象に,このアプローチを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biotic communities vary continuously across space, yet biome maps impose categorical boundaries that compress this variation, particularly at ecotones where transitional communities are ecologically distinct. Could Earth observation (EO) foundation models, which encode spectral, spatial, and temporal information with dense embeddings, convert discrete biome maps into continuous representations that better capture ecological variation? Here, we fit a linear classifier on Clay v1.5 satellite image embeddings to predict biome labels from a categorical map. The softmax output yields a continuous probability vector whose dimensions correspond to named biome classes. We evaluate this approach using six Brazilian biomes, 1.3 million embeddings, and 10,015 withheld forest inventory plots spanning 4,672 plant species. The continuous biome representation outperforms discrete biome labels for predicting species occurrence (mean per-species AUC 0.618 vs. 0.570 across 10 spatial cross-validation folds). Decomposing this gain shows that continuity in the graded probability output, rather than label reassignment, accounts for the improvement; the pattern holds across all distances from biome boundaries. The raw 1024-dimensional embedding remains the strongest predictor we tested (mean AUC 0.646 vs. 0.618), but the continuous representation recovers most of the embedding's gain over discrete labels. This simple approach provides a probabilistic replacement for categorical map labels, preserving their meaning while encoding graded variation that discrete maps suppress.
• Abstract（参考訳）: 生物群集は空間的に連続的に変化するが、生物群集は、この変異を圧縮する分類的境界を課す。 地球観測(EO)の基礎モデルは、スペクトル、空間、時間情報を密度の高い埋め込みでエンコードし、離散的な生物マップを生態学的変動をよりよく捉えた連続的な表現に変換するだろうか? ここでは、Clay v1.5衛星画像埋め込みに線形分類器を適用し、分類地図からバイオミーラベルを予測する。 ソフトマックス出力は、名前付きバイオメクラスに対応する次元を持つ連続確率ベクトルを生成する。 ブラジルの6つの生物群,130万の埋没地,および10,015の植林計画を用いて,4,672種の植物種を対象に,本手法を評価した。 連続的なバイオーム表現は、種の発生を予測するために個別のバイオームラベルより優れている(AUC 0.618 対 0.570 対 10 の空間交叉倍数)。 この利得を分解すると、ラベルの再割り当てではなく、格付けされた確率出力の連続性は改善の原因となり、このパターンはバイオーム境界からあらゆる距離にわたって保持される。 生の1024次元埋め込みは、我々がテストした最も強力な予測器(AUC 0.646 vs. 0.618)であるが、連続表現は、離散ラベルよりも多くの埋め込みの利益を回復させる。 この単純なアプローチは、分類地図ラベルを確率論的に置き換え、個々の地図が抑制する等級変化を符号化しながらその意味を保存する。

関連論文リスト

• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• StruMPL: Multi-task Dense Regression under Disjoint Partial Supervision and MNAR Labels [0.25241093712112367]
  地球観測による森林表層バイオマス(AGB)の推定は、2つの構造的非互換なラベル源を組み合わせたものである。 我々はこれをMNARラベルとマルチタスク間物理的制約との不均一な解離部分監督の下でのマルチタスク密度回帰として定式化する。 我々は,損失を拘束しながらIPW重み付き定常点を回復するためには,共同最適化が必要であることを解析的かつ実証的に示す。
  論文  参考訳（メタデータ） (2026-05-19T14:51:12Z)
• From Articles to Canopies: Knowledge-Driven Pseudo-Labelling for Tree Species Classification using LLM Experts [0.0]
  本稿では,多センサ地球観測データと専門家の生態知識を統合した生物情報に基づく半教師付き深層学習手法を提案する。 このアプローチは生物学的にインスパイアされた擬似ラベリングを事前計算された天蓋グラフに頼り、訓練コストの低い正確な分類をもたらす。 実世界の森林データセットの実験では、最良の基準法よりも5.6%改善されている。
  論文  参考訳（メタデータ） (2026-04-17T14:52:02Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• BioCube: A Multimodal Dataset for Biodiversity Research [0.31498833540989407]
  生態学および生物多様性研究のための微細なグローバルデータセットであるBioCubeを紹介する。 BioCubeは、画像、オーディオ記録、説明、環境DNA、植生指標、農業、森林、土地の指標、高解像度気候変数を通じて種を観察する。
  論文  参考訳（メタデータ） (2025-05-16T09:46:08Z)
• Feedforward Few-shot Species Range Estimation [61.60698161072356]
  特定の種が地球上でどこで発見できるかを知ることは、生態学の研究と保全に不可欠である。 正確な射程推定は 知られている全ての種の 比較的小さな割合でしか 利用できない 我々は、限られたデータから種の範囲を正確に推定するという課題に対処するために、数発の種範囲推定の新しいアプローチを概説する。
  論文  参考訳（メタデータ） (2025-02-20T19:13:29Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。