論文の概要: VegSim: A Geospatial World Model for Scenario-Conditioned Vegetation Simulation

• arxiv url: http://arxiv.org/abs/2606.21961v1
• Date: Sat, 20 Jun 2026 09:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 23:31:21.581027
• Title: VegSim: A Geospatial World Model for Scenario-Conditioned Vegetation Simulation
• Title（参考訳）: VegSim:シナリオ型植生シミュレーションのための地理空間的世界モデル
• Authors: Irene Iele, Elena Mulero Ayllón, Paolo Soda, Matteo Tortora,
• Abstract要約: 本稿では,シナリオ条件付植生シミュレーションの世界モデルであるVegSimを紹介する。 VegSimは、スパース衛星由来のNDVI履歴から潜伏した植生状態を推定する。 We evaluate VegSim on GreenEarthNet across in-distriion data and space, temporal, and joint space-temporal shift。
• 参考スコア（独自算出の注目度）: 1.373282478189168
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vegetation monitoring under climate stress requires answering not only how it will evolve given the expected weather, but how it would respond to alternative meteorological conditions. Forecasting models return the expected vegetation state for the observed weather and cannot answer these scenario-conditioned questions, because future weather is fixed to the recorded trajectory. We present VegSim, a geospatial world model for scenario-conditioned vegetation simulation. VegSim infers a latent vegetation state from sparse satellite-derived NDVI histories, past meteorological covariates, and static spatial context, propagates it forward under future weather forcing through recurrent latent dynamics, and decodes predictive NDVI quantiles at each lead time. Because future forcing enters as a controllable input, the same trained model supports probabilistic forecasting under observed weather and conditional simulation under user-defined meteorological forcing, without supervision on scenario responses. We evaluate VegSim on GreenEarthNet across in-distribution data and spatial, temporal, and joint spatial-temporal shift, where it achieves strong point and probabilistic accuracy against time series and Earth observation forecasting baselines while using a compact architecture. We then simulate vegetation responses across Europe under four meteorological scenarios, and in a France summer 2022 case study, obtaining spatially coherent patterns consistent with known sensitivity to temperature and precipitation. The code is available at https://github.com/arco-group/vegsim.
• Abstract（参考訳）: 気候ストレス下での植生モニタリングは、予想される天候からどのように進化するかだけでなく、別の気象条件にどのように反応するかに答える必要がある。 予測モデルは観測された天候に対して予測された植生状態を返すが、将来の天気が記録された軌道に固定されているため、これらのシナリオ条件の質問に答えることはできない。 シナリオ条件付植生シミュレーションのための地理空間的世界モデルであるVegSimを提案する。 VegSimは、スパース衛星由来のNDVIヒストリー、過去の気象共変体、静止空間の状況から潜伏植生状態を推定し、遅延力学を通じて将来の気象条件下で伝播し、各リード時間で予測的なNDVI量子を復号する。 将来の強制は制御可能な入力として入力されるため、同じ訓練されたモデルは、観測された天候下での確率予測と、シナリオ応答を監督することなく、ユーザ定義の気象強制下での条件付きシミュレーションをサポートする。 我々は,グリーンアースネット上のVegSimを,空間的・時間的・時間的・時間的・時間的・時間的・時間的変化にまたがって評価する。 次に,4つの気象シナリオの下でヨーロッパ各地の植生の応答をシミュレートし,2022年夏にフランスで行われたケーススタディにおいて,温度と降水に対する既知の感受性に整合した空間的整合パターンを得た。 コードはhttps://github.com/arco-group/vegsim.comで公開されている。

関連論文リスト

• Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates [1.1503354666872168]
  植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。 衛星観測によるNDVIの予測は、雲の被覆によって引き起こされるスパースと不規則なサンプリングのため、依然として困難である。 本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-04T17:48:52Z)
• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs [2.7708222692419735]
  我々は、このタスクに対処するために、畳み込みLSTM(ConvLSTM)アーキテクチャを使用します。 我々は,アフリカにおける植生の変化をSentinel-2衛星NDVIを用いて予測し,ERA5気象分析,SMAP衛星測定,地形解析を行った。 以上の結果から,ConvLSTMモデルがNDVIの季節変動を高分解能で予測できるだけでなく,観測基準値に対する気象異常の影響も明らかとなった。
  論文  参考訳（メタデータ） (2022-10-24T23:03:36Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。