論文の概要: A harmonised dataset for Earth system foundation models
- arxiv url: http://arxiv.org/abs/2607.03298v1
- Date: Fri, 03 Jul 2026 13:09:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.571581
- Title: A harmonised dataset for Earth system foundation models
- Title（参考訳）: 地球系基礎モデルのための調和データセット
- Abstract要約: 地球系の基盤モデルは、これまで、主に物理的気候と気象データに基づいて訓練されてきた。
気候、土地、海、寒冷圏、インフラ、ハザード、社会経済データを共通のグリッド上で組み合わせた統一的なグローバルトレーニングリソースが欠如していることは、真のマルチモーダル地球システム基盤モデルへの進展を妨げる。
我々は、数百の環境および社会経済変数を標準の0.05ドル円の空間グリッドと年次時間的枠組みに整合させる調和したグローバルデータセットであるWorldTensorを提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Foundation models for Earth systems have so far been trained primarily on physical climate and weather data, with limited representation of the human systems that both drive and respond to environmental change. The lack of a unified global training resource that combines climate, land, ocean, cryosphere, infrastructure, hazards, and socioeconomic data on a common grid hinders progress toward truly multimodal Earth system foundation models. We present WorldTensor, a harmonised global dataset that aligns hundreds of environmental and socioeconomic variables to a standardised 0.25$^\circ$ spatial grid and annual temporal framework. WorldTensor integrates reanalysis products, remote sensing, emissions inventories, land use reconstructions, hydrological observations, infrastructure and hazard datasets, and socioeconomic indicators within a single representation designed for machine learning workflows. To build the dataset, we regridded inputs across heterogeneous native resolutions and projections, rasterised point and vector datasets into spatially meaningful gridded fields, and reconciled temporal coverages ranging from daily observations to sparse multiyear socioeconomic snapshots. All outputs are distributed as NetCDF files with standardised coordinates, variable metadata, and a common CF metadata convention. WorldTensor provides a reproducible resource for training and evaluating foundation models that learn coupled dynamics across environmental and human systems at planetary scale.
- Abstract（参考訳）: 地球系の基盤モデルは、主に物理的気候と気象のデータに基づいて訓練されており、環境の変化を駆動し、反応する人間のシステムを限定的に表現している。
気候、土地、海、寒冷圏、インフラ、ハザード、社会経済データを共通のグリッド上で組み合わせた統一的なグローバルトレーニングリソースが欠如していることは、真のマルチモーダル地球システム基盤モデルへの進展を妨げる。
我々は、数百の環境および社会経済変数を標準化された0.05$^\circ$空間格子と年次時間的枠組みに整合させる調和したグローバルデータセットであるWorldTensorを提示する。
WorldTensorは、リアナリシス製品、リモートセンシング、エミッションの在庫、土地利用の再構築、水文学観測、インフラとハザードデータセット、社会経済指標を、機械学習ワークフロー用に設計された単一の表現に統合する。
このデータセットを構築するために、異質なネイティブ解像度とプロジェクション、ラスタ化ポイントとベクターデータセットを空間的に有意な格子状フィールドにリグリッドし、日々の観察から少人数の社会経済スナップショットまで、時間的カバレッジを調整した。
すべての出力は、標準化された座標、可変メタデータ、共通CFメタデータ規約を備えたNetCDFファイルとして配布される。
WorldTensorは、惑星スケールで環境と人間のシステム間の結合力学を学習する基礎モデルを訓練し評価するための再現可能なリソースを提供する。
関連論文リスト
- OSMGraphCLIP: Learning Global Location Representations from OpenStreetMap Graphs [3.351125901721929]
OSMGraphCLIPは、型付きOpenStreetMap(OSM)機能の異種グラフとして地理環境を表す。
マルチスケールグラフエンコーダは、きめ細かい局所構造と広いランドスケープ構成の両方をキャプチャする。
構造化OSMデータだけでは、ドメイン間での強力なグローバルな位置表現がサポートできることを示す。
論文 参考訳（メタデータ） (2026-06-06T08:18:21Z) - Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - 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) - No Location Left Behind: Measuring and Improving the Fairness of Implicit Representations for Earth Data [13.412573082645096]
暗黙の神経表現(INR)は、地球表象の課題に対処する上での公約が増大している。
既存の手法はグローバルな平均性能を不均等に優先する。
FAIR-Earthは、地球表象の不等式を調べ、挑戦するための第一種データセットである。
論文 参考訳（メタデータ） (2025-02-05T16:51:13Z) - Trajectory World Models for Heterogeneous Environments [67.27233466954814]
環境を横断するセンサーやアクチュエータの不均一性は、大規模な事前訓練された世界モデルを構築する上で大きな課題となる。
我々は80の環境から100万以上のトラジェクトリからなる統一データセットUniTrajを紹介した。
また,様々なセンサやアクチュエータ情報を扱える新しいアーキテクチャであるTrajWorldを提案する。
論文 参考訳（メタデータ） (2025-02-03T13:59:08Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳（メタデータ） (2025-01-14T13:42:22Z) - A Data-Driven Supervised Machine Learning Approach to Estimating Global
Ambient Air Pollution Concentrations With Associated Prediction Intervals [0.0]
我々は、時間的および空間的計測の欠如を示唆するスケーラブルでデータ駆動型の教師あり機械学習フレームワークを開発した。
このモデルは, 時間的および空間的計測の欠如を示唆し, NO$, O$_3$, PM$_10$, PM$_2.5$, SO$などの汚染物質の包括的データセットを生成するように設計されている。
モデルの性能について検討し,今後のモニタリングステーションの戦略的配置に関する洞察と勧告を提供する。
論文 参考訳（メタデータ） (2024-02-15T11:09:22Z) - 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) - Earthformer: Exploring Space-Time Transformers for Earth System
Forecasting [27.60569643222878]
本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。
Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。
降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2022-07-12T20:52:26Z)
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。