論文の概要: Benchmarking Geospatial Foundation Models for Agriculture Applications

• arxiv url: http://arxiv.org/abs/2606.29664v1
• Date: Mon, 29 Jun 2026 00:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.001004
• Title: Benchmarking Geospatial Foundation Models for Agriculture Applications
• Title（参考訳）: 農業利用のための地理空間基盤モデルのベンチマーク
• Abstract要約: 衛星画像に事前訓練された地球空間基盤モデルは、リモートセンシングタスクや地域にわたって広範な一般化を約束する。 本稿は,米国4州における多時期作物の分別と変化検出におけるPrithvi,SpectralGPT,SatMAEの3つのモデルについて検討する。 これら3種は、地域分布シフトによって急激に減少し、最も一般的な作物のみを予測し、稀な作物を欠いている。
• 参考スコア（独自算出の注目度）: 9.739789487287576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geospatial foundation models pretrained on satellite imagery promise broad generalization across remote sensing tasks and regions, but their geographic transferability has not been systematically tested, especially in agriculture applications. This paper presents a controlled benchmark that evaluates three models, Prithvi, SpectralGPT, and SatMAE, on multi-temporal crop segmentation and change detection across four U.S. states, Iowa, North Carolina, California, and Minnesota. By assigning each train, validation, and test split to a separate region, we measure how well each model transfers to land it has not seen. All three degrade sharply under regional distribution shift, predicting only the most common crops while missing rare ones. We further find that fitting these models to a shared input format affects each one differently, which complicates direct architectural comparison. These results expose key limitations of current geospatial foundation models for agriculture and point to region aware evaluation as a necessary standard.
• Abstract（参考訳）: 衛星画像に事前訓練された地理空間基盤モデルは、リモートセンシングタスクや地域にわたって広範な一般化を約束するが、その地理的移動性は、特に農業分野では、体系的に試験されていない。 本稿では,アイオワ州,ノースカロライナ州,カリフォルニア州,ミネソタ州の4州にまたがる多時期作物の分画と変化検出について,Prithvi,SpectralGPT,SatMAEの3つのモデルを評価する制御ベンチマークを提案する。 それぞれの列車、検証、テストの分割を別々の領域に割り当てることで、各モデルが実際に見ていない土地にどれだけうまく移行しているかを測定する。 これら3種は、地域分布シフトによって急激に減少し、最も一般的な作物のみを予測し、稀な作物を欠いている。 さらに、これらのモデルを共有入力形式に適合させることは、それぞれに異なる影響を与えることが分かり、直接アーキテクチャ比較を複雑にする。 これらの結果は、現在の農業における地理空間基盤モデルの重要な限界を明らかにし、必要な基準として地域意識評価を指摘する。

関連論文リスト

• Embeddings based Anomaly Detection for Cleaning Global Crop Type Reference Datasets [0.15404975601060747]
  本研究では,事前学習した地球観測エンコーダの埋め込みで動作する,実用的で局所性に配慮した埋め込み型アノマリー(EBA)フレームワークを提案する。 各ラベル付きサンプルは、事前訓練された埋め込みを使用して同じ地域の同じ作物の他のサンプルに対してスコア付けし、目立ったものをフラグ付けし、トレーニング前にそれらを取り除くか、下げるかをテストし、より良いモデルを得る。
  論文  参考訳（メタデータ） (2026-07-27T00:52:52Z)
• 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)
• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• 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)
• CrossEarth: Geospatial Vision Foundation Model for Domain Generalizable Remote Sensing Semantic Segmentation [85.22910555280414]
  CrossEarthはセマンティックセグメンテーションのためのビジョン基盤モデルである。 CrossEarthは、特別に設計されたデータレベルのEarth-Style Injectionパイプラインを通じて、強力なクロスドメインの一般化を実証する。 セマンティックセグメンテーションタスクのために,各領域,スペクトル帯域,プラットフォーム,気候の32のクロスドメイン設定からなるRSDGベンチマークをキュレートした。
  論文  参考訳（メタデータ） (2024-10-30T01:22:37Z)
• Cross Domain Early Crop Mapping using CropSTGAN [12.271756709807898]
  本稿では,Crop Mapping Spectral-temporal Generative Adrial Neural Network (CropSTGAN)を紹介する。 CropSTGANは、ターゲットドメインのスペクトル特徴をソースドメインのスペクトル特徴に変換することを学習し、実質的に大きな相似性をブリッジする。 実験では、CropSTGANは様々な最先端(SOTA)メソッドに対してベンチマークされる。
  論文  参考訳（メタデータ） (2024-01-15T00:27:41Z)
• Exploring Generalisability of Self-Distillation with No Labels for SAR-Based Vegetation Prediction [5.057850174013128]
  2つの合成開口レーダデータセット(S1GRD, GSSIC)を3つの地域(中国, コーヌス, ヨーロッパ)で使用したDINO-ViTベースモデルの事前学習を行う。 より小さなラベル付きデータセット上でモデルを微調整し、植生の割合を予測するとともに、モデルの埋め込み空間と、多様な地理的領域をまたいで一般化し、見当たらないデータとの接続を実証的に研究する。
  論文  参考訳（メタデータ） (2023-10-03T13:41:13Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Using Machine Learning to generate an open-access cropland map from satellite images time series in the Indian Himalayan Region [0.28675177318965034]
  我々は,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。 ヒマハル・プラデーシュの3つの地区で14,600 km2の農地マップを作成し、既存の公共地図の解像度と品質を改善した。
  論文  参考訳（メタデータ） (2022-03-28T12:08:06Z)

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。