論文の概要: Earth Observation Foundation Models for Terrestrial Ecohydrology: From Representation Learning to Process Inference
- arxiv url: http://arxiv.org/abs/2608.15282v1
- Date: Sat, 15 Aug 2026 15:28:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.247779
- Title: Earth Observation Foundation Models for Terrestrial Ecohydrology: From Representation Learning to Process Inference
- Title（参考訳）: 地球エコヒドロロジーのための地球観測基礎モデル:表現学習からプロセス推論へ
- Abstract要約: 地球観測基盤モデル(EOFM)は、データ駆動検索、予測、プロセスモデリングのための再利用可能な表現フレームワークとして登場している。
本稿では,EOFMが解釈可能な推論をいつサポートするかを決定するためのフレームワークを開発し,EOFMとエコヒドロロジー要件のミスマッチを同定する。
- 参考スコア（独自算出の注目度）: 11.821773065519928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth observation foundation models (EOFMs) are emerging as reusable representation frameworks for data-driven retrieval, prediction and process modelling within ecohydrology, which integrate EO, meteorological forcing and process models to characterise coupled water, energy and carbon dynamics in vegetation and soil across scales. However, there is yet to be an ecohydrology-specific synthesis assessing the EOFM relevance, application evidence or evaluation requirements under uncertain reference data, scale mismatch and temporal dependence. Here, we develop a framework for determining when EOFMs support interpretable inference and identify a mismatch between EOFMs and ecohydrological requirements. Firstly, an observation-to-inference hierarchy shows that relevance depends on target-specific sensing pathways, spatial-temporal support and traceable uncertainty. Secondly, a meta-analysis shows that pretraining is dominated by reflected optical and active-microwave data, with sparse thermal coverage and no passive-microwave-emission sources. Thirdly, our synthesis of ecohydrological applications finds strongest support for spatial context, label-efficient adaptation and hybrid workflows. Evidence declines with inference depth; independent validation of fluxes, coupled dynamics, event trajectories, calibrated uncertainty and decision benefits remains sparse. Fourthly, our benchmark audit finds stronger coverage of fair adaptation and reproducibility in general EOFM suites, and of process targets, direct reference evidence and distribution shifts in ecohydrological evaluations; physical consistency and uncertainty remain weakly assessed. These findings motivate a process-aware framework aligning EOFM design and evaluation with the target variable, observation pathway and process timescale, supporting trustworthy monitoring and interpretation of coupled water, energy and carbon dynamics.
- Abstract（参考訳）: 地球観測基盤モデル(EOFMs)は、生態学におけるデータ駆動検索、予測、プロセスモデリングのための再利用可能な表現フレームワークとして登場し、EO、気象強制モデル、プロセスモデルを統合して、植生や土壌における結合した水、エネルギー、炭素の動態を特徴づけている。
しかしながら、EOFMの関連性、応用証拠または不確実な参照データ、スケールミスマッチ、時間的依存に基づく評価要求を評価するエコヒドロロジー特異的な合成は未だ存在していない。
本稿では,EOFMが解釈可能な推論をいつサポートするかを決定するためのフレームワークを開発し,EOFMとエコヒドロロジー要件のミスマッチを同定する。
第一に、観察と推論の階層は、関連性はターゲット固有の知覚経路、空間的時間的支持、追跡可能な不確実性に依存していることを示す。
第2に、メタアナリシスでは、予備学習は反射光および活動マイクロ波データによって支配され、温度は疎く、受動マイクロ波放出源は存在しない。
第3に,エコヒドロロジー応用の合成は,空間的文脈,ラベル効率適応,ハイブリッドワークフローを強く支持している。
推論深度による証拠の減少、フラックスの独立した検証、結合力学、事象の軌跡、校正された不確実性、決定的利益は依然として少ない。
第4に,本ベンチマークでは,EOFMスイートの適合性や再現性,プロセス目標,直接参照エビデンス,エコヒドロジカル評価における分布変化について,物理的整合性,不確実性などについて検討した。
これらの知見は、EOFMの設計と評価を対象変数、観測経路、プロセスタイムスケールと整合させるプロセス認識フレームワークを動機付け、水、エネルギー、炭素の動的結合の信頼できるモニタリングと解釈を支援する。
関連論文リスト
- EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。
EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。
実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文 参考訳（メタデータ） (2026-06-25T16:53:30Z) - K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - Role-Aware Conditional Inference for Spatiotemporal Ecosystem Carbon Flux Prediction [32.547109051574836]
Role-Aware Inference (RACI)は、条件付きエコシステムのフラックス予測を条件付き問題として定式化するプロセスインフォームド学習フレームワークである。
これらの異なる機能的役割を明示的にモデル化することにより、RACIはモデルが様々な環境体制にまたがって予測を適応させることができる。
論文 参考訳（メタデータ） (2026-03-03T21:29:20Z) - AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。
炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。
我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
論文 参考訳（メタデータ） (2026-02-02T04:04:07Z) - Self-organizing maps for water quality assessment in reservoirs and lakes: A systematic literature review [0.0]
教師なしAI技術であるSOM(Self-Organizing Map)が水質評価に適用される。
SOMは多次元データを処理し、効果的な水管理を支援するために隠されたパターンを明らかにする。
本総説では, 生態系評価, 栄養状態分類, 藻類開花モニタリング, 捕食地域影響評価におけるSOMの多様性について概説する。
論文 参考訳（メタデータ） (2025-12-20T18:48:33Z) - Towards Unified Vision Language Models for Forest Ecological Analysis in Earth Observation [10.566310652119148]
REO-Instructは、地球観測データセットにおける記述的タスクと回帰的タスクの両方のために設計された最初の統一ベンチマークである。
このデータセットは、共登録されたSentinel-2とALOS-2の画像と、ハイブリッドAIパイプラインを通じて生成された構造化テキストアノテーションを統合し、検証する。
論文 参考訳（メタデータ） (2025-11-20T23:28:30Z) - LLM-based Evaluation Policy Extraction for Ecological Modeling [22.432508855430797]
多くの重要なアプリケーションにおけるモデル性能のベンチマークには,エコロジー時系列の評価が不可欠である。
伝統的な数値メトリクスは、生態学的プロセスに不可欠なドメイン固有の時間的パターンを捉えるのに失敗する。
本稿では,大規模言語モデル(LLM)に基づく自然言語ポリシー抽出とメトリック学習を統合した新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-20T01:02:29Z) - Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。
ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。
汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
論文 参考訳（メタデータ） (2025-03-13T01:50:50Z) - 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) - Ontology-aware Learning and Evaluation for Audio Tagging [56.59107110017436]
平均平均精度(mAP)は、異なる種類の音をそれらの関係を考慮せずに独立したクラスとして扱う。
オントロジー認識平均平均精度(OmAP)は、評価中にAudioSetオントロジー情報を利用することで、mAPの弱点に対処する。
我々は人間の評価を行い、OmAPはmAPよりも人間の知覚と一致していることを示した。
論文 参考訳（メタデータ） (2022-11-22T11:35:14Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z)
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。