論文の概要: EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting

• arxiv url: http://arxiv.org/abs/2606.27277v1
• Date: Thu, 25 Jun 2026 16:53:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.364112
• Title: EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting
• Title（参考訳）: EO-WM:確率的地球観測予測のための物理インフォームド世界モデル
• Authors: Junwei Luo, Shuai Yuan, Zhenya Yang, Yansheng Li, Zhe Liu, Hengshuang Zhao,
• Abstract要約: マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
• 参考スコア（独自算出の注目度）: 50.31500063307306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Earth Observation (EO) forecasting aims to predict future Earth surface dynamics from satellite observations under changing meteorological conditions. In this paper, we view this task as a partially observed, weather-driven world modeling problem, in which weather acts as a conditioning signal, while forecasting remains uncertain due to sparse observations and unobserved land-surface states. However, existing methods do not fully capture this setting: deterministic models collapse uncertainty into a single future prediction, while diffusion-based methods typically treat weather variables as undifferentiated conditioning signals, and existing benchmarks focus mainly on reconstruction accuracy rather than whether forecasts respond correctly to changed weather forcing.We introduce EO-WM, a video diffusion transformer for multispectral EO forecasting. EO-WM incorporates a physically informed conditioning framework that represents meteorological forcing through a climatological baseline, weather anomalies, and cumulative physical stress signals. Specifically, it separates baseline and anomaly through distinct conditioning pathways, and accumulates anomalous forcing over time to capture sustained heat and drought stress. To evaluate weather-response behavior beyond standard metrics, we introduce two diagnostic benchmarks: an Extreme Summer Benchmark for severity-aware prediction of vegetation degradation under extreme weather, and a Seasonal Matched-Pair Benchmark for testing response fidelity under changed weather forcing. Experiments show that EO-WM reduces the error in predicted Normalized Difference Vegetation Index (NDVI) decline amplitude by a relative 5.63% and improves directional hit rate by a relative 7.80%, while remaining competitive on standard pixel-level metrics. The benchmarks and model will be made open-source at https://github.com/Luo-Z13/EO-WM.
• Abstract（参考訳）: 地球観測(EO)予測は、気象条件の変化の下で衛星観測から将来の地球表面のダイナミクスを予測することを目的としている。 本稿では, この課題を, 気象が条件づけの信号として機能する部分観測, 気象駆動の世界モデリング問題とみなす。 しかし、既存の手法では、決定論的モデルが不確実性を単一将来予測に分解するのに対し、拡散に基づく手法は、通常、気象変数を未分化条件付け信号として扱い、既存のベンチマークでは、予測が変化した気象の強制に正しく応答するかどうかよりも、主に再構成精度に重点を置いている。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 具体的には、異なる条件の経路を通じてベースラインと異常を分離し、持続的な熱と干ばつストレスを捉えるために時間をかけて異常を蓄積する。 気象応答挙動を基準値を超えて評価するために,極度気象条件下での植生劣化の重症度予測のためのExtreme Summer Benchmarkと,変化した気象条件下での応答忠実度評価のための季節マッチング-ペアベンチマークの2つの診断ベンチマークを導入する。 実験により、EO-WMは予測された正規化差分植生指数(NDVI)の減少振幅を5.63%減少させ、標準画素レベルの指標で競争力を維持しながら、相対的な7.80%の方向ヒット率を改善することが示された。 ベンチマークとモデルはhttps://github.com/Luo-Z13/EO-WMでオープンソース化される。

関連論文リスト

• Two-Stage Photovoltaic Forecasting: Separating Weather Prediction from Plant-Characteristics [0.0]
  本研究では,環境パラメータの天気予報モデルと植物特性モデルに分解した。 植物特性モデルのための歴史的出力データに基づいてニューラルネットワークのアンサンブルを訓練する。 その結果、衛星ベースの地中気象観測の代わりに天気予報を用いる場合、選択した2つの太陽光発電システムでは絶対誤差が11%増加し、68%上昇することがわかった。
  論文  参考訳（メタデータ） (2026-03-04T14:45:58Z)
• MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
  南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。 AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。 モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
  論文  参考訳（メタデータ） (2025-09-02T01:51:40Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• ACE Metric: Advection and Convection Evaluation for Accurate Weather Forecasting [7.016835396874093]
  本研究では, モデルによる対流・対流予測の精度を評価するために, 対流・対流誤差(ACE)測定値を提案する。 We have confirmeded the ACE evaluation metric on the WeatherBench2 and movingMNIST datasets。
  論文  参考訳（メタデータ） (2024-06-07T06:49:59Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)

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。