論文の概要: Foundation Models Meet Agriculture: Challenges Beyond Pretraining

• arxiv url: http://arxiv.org/abs/2608.30392v1
• Date: Mon, 31 Aug 2026 07:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.292964
• Title: Foundation Models Meet Agriculture: Challenges Beyond Pretraining
• Title（参考訳）: ファウンデーションモデルと農業 : 事前訓練を超えた課題
• Abstract要約: 農作業における基礎モデルの展開を妨げる2つの重要なボトルネックを評価する。 農業の下流での作業は、地球観測基盤モデルがアーキテクチャ上は摂取できないような多様な非想像的なデータモダリティを必要とすることが多い。 我々は、5つの構造軸にまたがる農業タスク空間を形式化し、なぜ現在のモデルが確実に一般化できないのかを示す。
• 参考スコア（独自算出の注目度）: 5.41896599251466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global food security and sustainable climate action increasingly rely on robust, scalable agricultural monitoring. Earth observation foundation models have emerged as powerful, label-efficient tools across general remote sensing domains, yet early attempts to deploy them for agricultural applications have yielded surprisingly poor results. We hypothesize that this performance gap stems from the extreme heterogeneity of agricultural landscapes and the inherent inability of current earth observation foundation models to adapt to task-specific nuances. In this work, we systematically evaluate two critical bottlenecks hindering the deployment of foundation models in agricultural tasks, benchmarking two earth observation foundation models, a foundation model designed for tabular data, and conventional supervised baselines across seven real-world agricultural datasets spanning yield prediction, phenology estimation, and crop classification. First, we identify a pretraining-deployment modality gap: agricultural downstream tasks frequently require diverse, non-imagery data modalities that earth observation foundation models are architecturally unequipped to ingest, while a foundation model built for tabular data handles this heterogeneity more naturally. Second, we formalize the agricultural task space across five structural axes to demonstrate why current models fail to generalize reliably, resulting in highly unstable model rankings across evaluation settings. By characterizing these structural and modal gaps, our insights highlight the friction between general-purpose architectures and specialized agricultural downstream data, providing a strategic roadmap for developing the next generation of domain-aware foundation models.
• Abstract（参考訳）: 世界の食料安全保障と持続可能な気候対策は、堅牢でスケーラブルな農業モニタリングに依存している。 地球観測基盤モデルは、一般的なリモートセンシング領域にまたがる強力なラベル効率のツールとして登場したが、農業用途にそれらをデプロイする初期の試みは驚くほど貧弱な結果をもたらした。 この性能ギャップは、農業景観の極端な不均一性と、現在の地球観測基盤モデルがタスク固有のニュアンスに適応できないことに起因していると仮定する。 本研究では, 農作業における基礎モデルの展開を妨げる2つの重要なボトルネックを系統的に評価し, 2つの地球観測基盤モデル, 表層データ用に設計された基礎モデル, 収量予測, フェノロジー推定, 作物分類にまたがる7つの実世界の農業データセットにまたがる教師付きベースラインをベンチマークした。 農業下流のタスクは、地球観測基盤モデルがアーキテクチャ上は摂取できないような多様な非想像的なデータモダリティを必要とすることが多いが、表層データ用に構築された基礎モデルは、この不均一性をより自然に扱う。 第2に、5つの構造軸にまたがる農業作業空間を形式化し、現在のモデルが確実に一般化できない理由を実証し、その結果、評価設定にまたがる非常に不安定なモデルランキングを得る。 これらの構造的ギャップとモード的ギャップを特徴づけることで、私たちの洞察は、汎用アーキテクチャと特定農業下流データとの摩擦を強調し、次世代のドメイン認識基盤モデルを開発するための戦略的ロードマップを提供する。

関連論文リスト

• 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)
• PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
  本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。 U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。 我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-03-28T02:47:46Z)
• StefaLand: An Efficient Geoscience Foundation Model That Improves Dynamic Land-Surface Predictions [8.261844935991348]
  伝統的なインパクトモデルは、限られた観測と概念の漂流のために空間的な一般化に苦しむ。 ランドスケープインタラクションを中心とした地層モデルであるStefaLandを紹介した。 我々の知る限り、これは地表面相互作用予測を実証的に改善する最初の地表面基盤モデルである。
  論文  参考訳（メタデータ） (2025-09-22T16:05:45Z)
• From General to Specialized: The Need for Foundational Models in Agriculture [4.34470351323835]
  人口が増加し、気候変動が拡大するにつれて、食料の安全保障は世界的な関心事となっている。 基礎モデルの最近の進歩は、リモートセンシングや気候科学において顕著な性能を示している。 作物タイプマッピング, 作物の表現学推定, 作物の収量推定など, 農業に関わる課題へのそれらの適用について検討した。
  論文  参考訳（メタデータ） (2025-07-07T18:22:22Z)
• 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)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Segment Anything Model Can Not Segment Anything: Assessing AI Foundation Model's Generalizability in Permafrost Mapping [19.307294875969827]
  本稿では,AI基盤モデルとその定義特性を紹介する。 我々は、大規模AIビジョンモデル、特にMetaのセグメンション・アプライシング・モデル(SAM)の性能を評価する。 結果は、SAMには将来性はあるものの、AIの拡張された地形マッピングをサポートするための改善の余地があることを示している。
  論文  参考訳（メタデータ） (2024-01-16T19:10:09Z)
• 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)
• Toward Foundation Models for Earth Monitoring: Proposal for a Climate Change Benchmark [95.19070157520633]
  近年の自己スーパービジョンの進歩は、大量の教師なしデータ上で大規模なニューラルネットワークを事前訓練することで、下流タスクの一般化が著しく増加することを示している。 基礎モデルとして最近作られたそのようなモデルは、自然言語処理の分野に転換してきた。 気候変動に関連する様々な下流タスクからなる新しいベンチマークを開発することを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:38:19Z)

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。