論文の概要: Above-ground Biomass Estimation with Geospatial Foundation Models

• arxiv url: http://arxiv.org/abs/2608.04792v1
• Date: Wed, 05 Aug 2026 12:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.93012
• Title: Above-ground Biomass Estimation with Geospatial Foundation Models
• Title（参考訳）: 地空間基盤モデルによる地上バイオマス推定
• Authors: Ghjulia Sialellia, Linus Scheibenreif, Jan Dirk Wegner, Konrad Schindler,
• Abstract要約: AGBDデータセットを用いた世界規模のAbove-Ground Biomass推定のためのGFMのベンチマークを示す。 PANGAEAで利用可能な11のGFMと、完全に教師されたSOTA(State-of-the-art)モデルに対する製品埋め込みを比較した。 以上の結果から, GFMは, 教師付きSOTAモデルに対して, かなり性能が劣っていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 26.677000802777542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimation of Above-Ground Biomass (AGB) from satellite imagery is essential for the large-scale monitoring of carbon stocks, yet it remains a challenging regression task at global scale. Geospatial Foundation Models (GFMs) have recently emerged as a promising machine learning paradigm to derive general-purpose representations from Earth observation data, but their utility for quantitative regression tasks like biomass estimation remains largely unexplored, as most benchmarks emphasize classification and segmentation. Here, we present a comprehensive benchmark of GFMs for global-scale AGB estimation using the AGBD dataset, a machine learning-ready benchmark spanning diverse biomes and geographies. We distinguish two ways in which GFMs reach practitioners: (i) models distributed as weights to be run by the user, which we evaluate as frozen encoders within the PANGAEA benchmarking framework; and (ii) models distributed as ready-to-use, pre-computed embedding products, for which we evaluate AlphaEarth Foundations (AEF) and TESSERA. We compare 11 GFMs available on PANGAEA and both embedding products against a fully supervised state-of-the-art (SOTA) model, assess their geographical and temporal generalization abilities, as well as agreement with the ESA CCI biomass product on independent reference data. Our results show that GFMs run as frozen encoders substantially underperform with respect to the supervised SOTA model, whereas pre-computed embedding products prove highly effective. An MLP trained on AEF embeddings outperforms the supervised SOTA model trained on AGBD features, and the same SOTA model trained on AEF embeddings (optionally augmented with selected raw features) achieves the best overall result, while also generalizing better across space and time.
• Abstract（参考訳）: 衛星画像からのAGB(Above-Ground Biomass)の正確な推定は、炭素ストックの大規模モニタリングには不可欠であるが、世界規模では困難な回帰課題である。 Geospatial Foundation Models (GFMs) は、地球観測データから汎用的な表現を導き出すための、有望な機械学習パラダイムとして最近登場したが、バイオマス推定のような定量的回帰タスクには、ほとんどのベンチマークが分類とセグメンテーションに重点を置いているため、ほとんど探索されていない。 本稿では,多種多様な生物と地理にまたがる機械学習対応のベンチマークであるAGBDデータセットを用いて,グローバルなAGB推定のためのGFMの総合ベンチマークを示す。 我々は、GFMが実践者にリーチする方法を2つ区別する。 (i)PANGAEAベンチマークフレームワーク内でフリーズエンコーダとして評価し,ユーザが実行すべき重みとして分散したモデル。 (II)AlphaEarth Foundations (AEF) とTESSERAを評価した既製の埋込み製品として配布されたモデルについて検討した。 PANGAEAで利用可能な11個のGFMと、完全に監督された最先端(SOTA)モデルに対する製品埋め込みを比較し、その地理的および時間的一般化能力を評価し、独立参照データ上でESA CCIバイオマス製品と合意する。 以上の結果から, GFMは教師付きSOTAモデルに比べて性能が劣るが, 前処理した組込み製品は極めて有効であることが示唆された。 AEF埋め込みで訓練されたMLPは、AGBD機能で訓練された教師付きSOTAモデルよりも優れており、AFF埋め込みで訓練された同じSOTAモデル(選択された生の特徴で任意に強化された)は、空間と時間にわたってより良く一般化される。

関連論文リスト

• 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)
• Ecological mapping with geospatial foundation models [0.8919051099268218]
  本研究は, GFMの生態学的利用における有用性, 課題, 可能性について検討することを目的とする。 プリスビ-E0-2.0とTerraMindの3つのユースケースで事前訓練されたAIモデルを微調整し、これをベースラインのResNet-101モデルと比較する。 すべての実験において、GFMはベースラインのResNetモデルより優れている。
  論文  参考訳（メタデータ） (2026-02-11T10:25:51Z)
• 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)
• HyBiomass: Global Hyperspectral Imagery Benchmark Dataset for Evaluating Geospatial Foundation Models in Forest Aboveground Biomass Estimation [1.0408909053766147]
  本研究では,森林表層バイオマス(AGB)推定のためのグローバル分散ベンチマークデータセットを提案する。 このベンチマークデータセットは、環境マッピング・分析プログラム(EnMAP)衛星からのHSIと、AGB密度推定の予測を組み合わせたものである。 このデータセットを用いた実験結果から,評価されたGeo-FMがベースラインU-Netの性能を上回り得るか,場合によっては超えることを示した。
  論文  参考訳（メタデータ） (2025-06-12T21:29:20Z)
• 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)
• PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models [3.9031647202359667]
  PANGAEAは標準化された評価プロトコルであり、さまざまなデータセット、タスク、解像度、センサーのモダリティ、時間性をカバーする。 我々は、このベンチマークで利用可能な最も人気のあるGFMを評価し、その性能を複数のドメインで分析する。 本研究は, GFMの限界を, 異なるシナリオ下で強調し, 教師付きモデルよりも常に優れていないことを示した。
  論文  参考訳（メタデータ） (2024-12-05T14:40:41Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)
• 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。