論文の概要: Probing Geospatial SSL Representations with Environmental Signals

• arxiv url: http://arxiv.org/abs/2607.05207v1
• Date: Mon, 06 Jul 2026 15:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.209519
• Title: Probing Geospatial SSL Representations with Environmental Signals
• Title（参考訳）: 環境信号を用いた地理空間SSL表現の提案
• Authors: Rohita Mocharla, Vishal M. Patel,
• Abstract要約: 自己教師付き学習(SSL)は、単一のタスクに最適化された表現ではなく、汎用的で転送可能な表現を学ぶように設計されている。 SSL表現は、イメージングプロセスと共変する環境変数との統計的関連を保存しているか? この問題に対処するために、我々は、物理的に一貫した環境変数のグローバルデータセットである共配置ERA5再解析変数を用いてSSL表現を探索する。
• 参考スコア（独自算出の注目度）: 51.908606610432194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) is designed to learn generic, transferable representations rather than representations optimized for a single task. Most geospatial benchmarks evaluate representations solely through downstream tasks, providing limited insight into the information encoded within the representation itself. We ask a different question: do SSL representations of satellite imagery preserve statistical associations with environmental variables that co-vary with the imaging process? To answer this question, we probe SSL representations using co-located ERA5 reanalysis variables, a global dataset of physically consistent environmental variables, including temperature, precipitation, surface solar radiation, surface pressure, and volumetric soil water. These variables are physically related to the spectral reflectance and radar backscatter recorded by Sentinel-1 and Sentinel-2, making them meaningful evaluation targets despite not being used during SSL pretraining. We complement this probing analysis with intrinsic representation metrics to characterize representation geometry and investigate how these properties relate to downstream performance and the encoding of environmental signals. Using DINO, MAE, and MoCo models trained under identical conditions, we show that representation-level metrics distinguish models with similar downstream benchmark performance, providing complementary information beyond task-driven benchmarks. We further find that the linear accessibility of environmental signals is associated with performance on environmentally dependent tasks in the PANGAEA benchmark. Finally, we release ERA5 annotations co-located with the SSL4EO dataset to enable physically grounded representation evaluation for future geospatial foundation models.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、単一のタスクに最適化された表現ではなく、汎用的で転送可能な表現を学ぶように設計されている。 ほとんどの地理空間ベンチマークは、下流のタスクを通してのみ表現を評価し、表現自体に符号化された情報について限られた洞察を与えている。 衛星画像のSSL表現は、撮像プロセスと共変する環境変数との統計的関連を保存しているか? この問題に対処するために, 温度, 降水量, 表面日射量, 表面圧, 体積土壌水など, 物理的に一貫した環境変数のグローバルデータセットである ERA5 再解析変数を用いたSSL 表現の探索を行った。 これらの変数は、Sentinel-1とSentinel-2が記録したスペクトル反射率とレーダー後方散乱と物理的に関係しており、SSL事前訓練中に使用されていないにもかかわらず有意義な評価対象となっている。 本稿では,これらの特性が下流の性能と環境信号の符号化にどのように関係しているかを考察する。 DINO, MAE, MoCo モデルと同一条件下で訓練したモデルを用いて, 表象レベルの指標が類似のダウンストリームベンチマーク性能を持つモデルを識別し, タスク駆動ベンチマーク以上の補完情報を提供することを示す。 さらに,環境信号の線形アクセシビリティは,PANGAEAベンチマークにおける環境依存タスクの性能と関係していることがわかった。 最後に、将来的な地理空間基盤モデルのための物理基底表現評価を可能にするために、SSL4EOデータセットと併用したERA5アノテーションをリリースする。

関連論文リスト

• Generate in Reconstruction Space, Match in Semantic Space: Transport Geometry for One-Step Generation [16.138914735031744]
  生成モデリングと自己教師付き表現学習(SSL)は、構造的に異なる目的を最適化する。 一段階生成の枠組みにおける生成モデリングにおけるSSLの利点について検討する。 意味的に構造化されたSSL機能空間で計算すると,この目的は非常に効果的であることが分かる。
  論文  参考訳（メタデータ） (2026-05-30T04:03:47Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology [6.4737780860379806]
  自己教師付き学習は、ラベルのないデータからの学習表現を可能にした。 これらのモデルは、高い人間の活動領域に偏ったデータセットに基づいて訓練されることが多い。 植生の季節性を世界規模でより正確に把握するために, 簡易な表現インフォームドサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-25T10:58:44Z)
• GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
  本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。 私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。 地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
  論文  参考訳（メタデータ） (2024-11-28T18:59:56Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
  自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
  論文  参考訳（メタデータ） (2024-07-16T23:17:36Z)
• A generic self-supervised learning (SSL) framework for representation learning from spectra-spatial feature of unlabeled remote sensing imagery [4.397725469518669]
  自己教師付き学習(SSL)では、モデルが桁違いに遅延のないデータから表現を学習することができる。 この研究は、未ラベルデータのスペクトル空間情報の両方から表現を学習できる新しいSSLフレームワークを設計した。
  論文  参考訳（メタデータ） (2023-06-27T23:50:43Z)
• A spatio-temporal LSTM model to forecast across multiple temporal and spatial scales [0.0]
  本稿では,環境データセットに適用した時系列予測のための新しい時空間LSTM(SPATIAL)アーキテクチャを提案する。 このフレームワークは、複数のセンサーにまたがって評価され、現在の速度、温度、溶存酸素の3つの異なる海洋変数に対して評価された。
  論文  参考訳（メタデータ） (2021-08-26T16:07:13Z)

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。