論文の概要: Foundation-Model Earth Representations Enable Regional-Scale Forest Aboveground Biomass Monitoring Across the Northeastern United States

• arxiv url: http://arxiv.org/abs/2607.27217v1
• Date: Thu, 25 Jun 2026 15:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.103188
• Title: Foundation-Model Earth Representations Enable Regional-Scale Forest Aboveground Biomass Monitoring Across the Northeastern United States
• Title（参考訳）: 米国北東部の森林地帯におけるバイオマスモニタリングを可能にする基礎モデル地球表象
• Abstract要約: 森林表層バイオマス(AGB)は、生態系の生産性と地球規模の炭素貯蔵の重要な指標である。 近年の地球観測基盤モデルは、多様なデータセットから導かれる地球空間のグローバルな表現を提供する。 AplphaEarth Foundation Modelによって生成されたGoogle Satellite Embeddings (GSE) を地域規模のAGB推定のために評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forest aboveground biomass (AGB) is a critical indicator of ecosystem productivity and terrestrial carbon storage, yet regional carbon monitoring remains constrained by the sparse spatial and temporal availability of field inventories and airborne structural measurements. Recent Earth observation foundation models provide globally consistent geospatial representations derived from diverse multimodal datasets, offering a potential pathway toward scalable biomass monitoring. Here, we evaluate Google Satellite Embeddings (GSE), generated by the AplphaEarth Foundation Model, for regional-scale AGB estimation across diverse temperate forest ecosystems in the northeastern United States. We integrated annual GSE observations, airborne LiDAR, and continuous forest inventory measurements from the Northeastern Forest Inventory Network (NEFIN) within a machine-learning framework. Combined LiDAR-GSE models achieved an R^2 of 0.79 for AGB estimation. Capitalizing on annual GSE observations expanded the training dataset by more than tenfold through temporal growth adjustment, increasing predictive performance to R^2 = 0.82 while reducing model bias by over 70%. Spatial autocorrelation analyses showed that integrating foundation-model representations and structural predictors substantially reduced residual spatial dependence. Monte Carlo simulations demonstrated that hyperparameter optimization reduced model-performance variability by 27.9%. Our findings demonstrate that foundation-model Earth representations capture ecologically meaningful information relevant to forest biomass and provide a scalable framework for annual carbon monitoring in regions with incomplete airborne LiDAR coverage. Our fundings establish a pathway toward next-generation forest carbon assessment based on globally available foundation-model Earth observations.
• Abstract（参考訳）: 森林表層バイオマス(AGB)は、生態系の生産性と地球規模の炭素貯蔵の重要な指標であるが、地域炭素モニタリングは、フィールド在庫の空間的・時間的不足と航空機の構造的測定によって制限されている。 近年の地球観測基盤モデルは、多様なマルチモーダルデータセットから導かれる地球空間のグローバルな一貫した表現を提供し、スケーラブルなバイオマスモニタリングへの潜在的経路を提供する。 そこで我々は,AplphaEarth Foundation Modelによって生成されたGoogle Satellite Embeddings (GSE)を評価し,米国北東部の様々な温帯森林生態系を対象とした地域規模のAGB推定を行った。 我々は,東北森林インベントリーネットワーク(NEFIN)から年次GSE観測,空中LiDAR,連続森林在庫計測を機械学習フレームワークに統合した。 組み合わせたLiDAR-GSEモデルはAGB推定で0.79のR^2を達成した。 年次GSE観測により, 時間的成長調整によりトレーニングデータセットを10倍以上に拡大し, 予測性能をR^2 = 0.82に向上し, モデルバイアスを70%以上低減した。 空間自己相関分析の結果,基礎モデル表現と構造予測器の統合は空間依存を著しく減少させることがわかった。 モンテカルロシミュレーションでは、ハイパーパラメータ最適化によりモデル性能のバラツキが27.9%減少した。 その結果, 基礎モデルによる地球表象は, 森林バイオマスに関連する生態学的に意味のある情報を収集し, 大気中LiDARが不完全な地域において, 年間炭素モニタリングを行うためのスケーラブルな枠組みを提供することがわかった。 我々の資金は、世界規模で利用可能な基礎モデル地球観測に基づく次世代の森林炭素評価への道筋を確立する。

関連論文リスト

• Transferable Above-Ground Biomass (AGB) Estimation Model from Multi-Sensor Data with Sparse Field Calibration [0.0]
  本稿では,グローバルに訓練された1つの畳み込みニューラルネットワーク(CNN)を中心とした運用フレームワークを提案する。 このフレームワークは、局所的なプロットを少数の局所的に適用し、各領域における大域的予測と基底的真理を一致させるスケール・アンド・バイアス補正に適合させる。 ホールドアウト検証では,地球規模のGEDIモデルでR2は約0.78,RMSEは約22Mg/haを達成した。
  論文  参考訳（メタデータ） (2026-08-12T04:36:26Z)
• Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
  Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。 衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
  論文  参考訳（メタデータ） (2026-07-08T18:14:24Z)
• 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)
• FORMSpoT: A Decade of Tree-Level, Country-Scale Forest Monitoring [40.631100826517375]
  森林キャノピーの高さを1.5mの解像度で全国で10年(2014-2024年)にわたってマッピングしたFOMSpoT(Forest Mapping with SPOT Time series)を紹介した。 異種買収におけるロバストな変更検出を可能にするため、我々は専用の後処理パイプラインを開発した。 乱れが小さく空間的に断片化された山岳林では、FOMSpoT-$$はF1スコアが0.44で、既存のベンチマークよりも桁違いに高い。
  論文  参考訳（メタデータ） (2025-12-18T19:35:09Z)
• A Global Dataset of Location Data Integrity-Assessed Reforestation Efforts [40.17692290400862]
  本研究は, 一次情報(メタ情報)から収集したグローバルな植林と再植林の取り組みに関するデータセットを提示する。 このデータセットは33年にわたる45,628件のプロジェクトから1,289,068件の植林地をカバーしている。 地上基準植林地の約79%は、LDIS指標10のうち少なくとも1つで故障した。
  論文  参考訳（メタデータ） (2025-08-15T09:28:31Z)
• REOBench: Benchmarking Robustness of Earth Observation Foundation Models [48.24281482353377]
  REOBenchは、地球観測基盤モデルの堅牢性を評価するための最初の総合的なベンチマークである。 マスク付き画像モデリング、コントラスト学習、視覚言語事前学習パラダイムを用いて訓練された幅広いモデルの体系的評価を行う。 その結果, 既存の地球観測基盤モデルでは, 入力汚損に晒された場合, 顕著な性能劣化がみられた。
  論文  参考訳（メタデータ） (2025-05-22T15:34:50Z)
• Fine-tuning of Geospatial Foundation Models for Aboveground Biomass Estimation [2.3429628556845405]
  地上バイオマスを推定するための地理空間基盤モデルの微調整は、スクラッチから訓練されたU-Netに匹敵する性能を有する。 また、ブラジルの異なるエコリージョンのスパースラベルを用いた衛星画像の微調整により、モデルの伝達学習能力についても検討する。
  論文  参考訳（メタデータ） (2024-06-28T12:54:10Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
  本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。 地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。 また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
  論文  参考訳（メタデータ） (2023-04-14T15:52:57Z)
• Mapping historical forest biomass for stock-change assessments at parcel to landscape scales [0.0]
  地図製品は、人為的にも自然的にも、どこで、いつ、そしてどのように森林の炭素在庫が変化しているかを特定するのに役立ちます。 これらの製品は、ストックチェンジアセスメント、レポートの監視、検証フレームワークなど、幅広いアプリケーションへのインプットとして機能する。
  論文  参考訳（メタデータ） (2023-04-05T17:55:00Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Global canopy height estimation with GEDI LIDAR waveforms and Bayesian deep learning [20.692092680921274]
  NASAのGlobal Ecosystem Dynamics Investigation(GEDI)は、地球規模の炭素循環における森林の役割の理解を深めることを目的としている重要な気候ミッションである。 本稿では,GEDI波形とレグレッション・キャノピー・トップハイトを世界規模で解釈する新しい教師付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T23:08:27Z)

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。