論文の概要: Transferability and operational reliability of a Prithvi crop classification foundation model under phenological and geographic shift across three continents

• arxiv url: http://arxiv.org/abs/2610.08810v1
• Date: Sun, 20 Sep 2026 03:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 16:33:44.539139
• Title: Transferability and operational reliability of a Prithvi crop classification foundation model under phenological and geographic shift across three continents
• Title（参考訳）: 3大陸にまたがる表現学的・地理的変化下におけるPrithvi作分類基盤モデルの移動可能性と運用信頼性
• Abstract要約: 我々は,3大陸12か国37のイベントを対象に,広く採用されているGeoFMのアウト・オブ・ディストリビューション性能を評価した。 観測窓が現地の作物学と一致しなかったため、精度は低下した。 本研究は,これらの知見を,信頼性の高いモデル展開のための運用ガイダンスに翻訳する。
• 参考スコア（独自算出の注目度）: 0.33492903409201075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-tuned geospatial foundation models (GeoFMs) pretrained on large satellite archives have been shown to improve crop classification accuracy and geographic transferability. However, their operational performance beyond the training distribution remains poorly characterized. We evaluated the out-of-distribution performance of a widely adopted GeoFM [Prithvi-EO-2.0] across 37 events in 12 countries on three continents and validated against regional reference products. Results indicated that the mean overall accuracy (OA) declined from 0.65 in the United States to 0.40 in Europe. Beyond accuracy metrics, we assessed five key aspects of model performance: whether model confidence indicates signal failure, sensitivity to observation windows, the effect of coarsening class schemes, and robustness to both band loss and cloud- and shadow-contamination. Accuracy collapsed when the observation window misaligned with local crop phenology, while deterministic confidence remained high. Expected calibration error increased for seven of eight paired events, and 12-51% of each affected scene was confidently mislabeled at near-zero precision. Monte Carlo dropout entropy registered the shift in all eight, indicating that much of the apparent cross-continent decline reflected phenological misalignment rather than spatial transfer. Two adjustments recovered accuracy without retraining. Consolidating 13 classes into 10, based on the model's dominant confusions, raised the mean OA by 8.4 percentage points. Compressing the window toward near-real-time use preserved accuracy across a 45- to 90-day plateau, peaking near 75 days, though arms tighter than 30 days fell about 0.11 below that plateau. Fine-tuned crop GeoFMs therefore transfer usefully only where observation windows match local growing seasons. We translate these findings into operational guidance for the reliable deployment of the released model.
• Abstract（参考訳）: 大規模な衛星アーカイブで事前訓練された微調整された地理空間基盤モデル(GeoFMs)は、作物の分類精度と地理的移動性を改善することが示されている。 しかし、訓練分布を超えての運用性能は、いまだに劣っている。 広範に採用されているGeoFM(Prithvi-EO-2.0)の3大陸における37のイベントにおけるアウト・オブ・ディストリビューション性能を評価し,地域基準製品に対する検証を行った。 その結果、OAの平均精度は米国で0.65からヨーロッパで0.40に低下した。 モデルの信頼性が信号障害を示すかどうか,観測窓に対する感度,粗いクラススキームの効果,バンド損失と雲および影汚染の両方に対するロバスト性,といったモデル性能の5つの重要な側面を評価した。 観測窓が局所的な作物の表現学と一致しなかったため、精度は低下したが、決定論的自信は高いままであった。 推定校正誤差は8つのペアのイベントのうち7つで増加し、各シーンの12-51%がほぼゼロの精度で確実に誤ラベルされた。 モンテカルロ・ドロップアウト・エントロピーはこのシフトを全8つに登録し、明らかに大陸横断的な減少の大部分は、空間移動よりも現象学的不一致を反映していることを示した。 2つの調整が再訓練せずに精度を回復した。 13クラスを10クラスに集約し、モデルの混乱に基づいて平均OAを8.4ポイント引き上げた。 窓をほぼリアルタイムで使用するように圧縮すると、45日から90日間の高原で保存され、75日間近くまで上昇するが、その高原では30日を超える腕が約0.11降下した。 そのため、微調整作物GeoFMは、観測窓が局所的な成長期と一致する場合にのみ有用である。 本研究は,これらの知見を,信頼性の高いモデル展開のための運用ガイダンスに翻訳する。

関連論文リスト

• SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models [55.56557714314683]
  空間推論を直接的かつ診断的に評価する最初のベンチマークであるSpaceCastBenchを紹介する。 182の現実世界シーンからの質問は、静的認識、局所予測、グローバル予測という3つのレベルで16のタスクタイプにまたがる。 制御された解析により、ブリッジビューは分散観測の統合に重要であることが明らかになった。
  論文  参考訳（メタデータ） (2026-10-08T17:44:17Z)
• A Calibration Audit of Confidence in Feed-Forward 3D Reconstruction [45.496856835431885]
  3D再構成モデルは、下流システムが信頼性信号として読み取る画素当たりの信頼を出力する。 4つの特性に対する信頼度、エラーのランク付けの正確さ、そのレベルが平均的に正しいかどうか、信頼範囲を越えて保持されているかどうか、そしてその間隔が真実をカバーしているかどうか。 信頼度は誤差をよくランク付けするが、予測された不確実性は、トレーニングの正確さではない条件下で読み取られると低すぎる。
  論文  参考訳（メタデータ） (2026-08-30T10:21:34Z)
• Continuity-Driven Representation Learning for Industrial Defect Detection [10.126273003671388]
  産業的欠陥検出は、検査画像が繰り返し構造を持つ大きな正常な領域を含むため、自然画像オブジェクト検出とは異なる。 本研究では, 正規支配領域を高密度補助監督として活用する連続性駆動型表現正規化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-18T04:31:55Z)
• 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)
• Beyond False Stability: High-Noise Drift Gating for Test-Time Adversarial Defenses in Vision-Language Models [37.24612885977265]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショットの一般化を示すが、敵攻撃に対して非常に脆弱である。 最近のアプローチでは、CLIPの視覚的表現が摂動にどのように反応するかを利用する。 軽量ゲーティング信号として高雑音特徴ドリフトを用いた学習自由なプラグインドリフトゲート機構を提案する。
  論文  参考訳（メタデータ） (2026-06-02T14:49:04Z)
• Real-Time Earthquake Magnitude Classification from Initial P-Waves: Models, Dataset, and Comparative Analysis for South Asia [0.0]
  本研究では,1つの局からの最初の7秒P波ウィンドウの垂直成分のみを用いて,大きさ分類の総合的研究を行う。 従来のモデルから最先端のディープラーニングアーキテクチャまで,6つの機械学習アプローチを比較した。 実験の結果,ディープラーニングモデルは従来の手法よりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2026-05-10T16:25:05Z)
• From Landslide Conditioning Factors to Satellite Embeddings: Evaluating the Utilisation of Google AlphaEarth for Landslide Susceptibility Mapping using Deep Learning [1.6571781613404601]
  本研究は,地すべり感受性マップの代替予測器として,Google AlphaEarth埋め込みの可能性を評価した。 AEベースのモデルは、全ての領域とモデルで一貫してLCFを上回り、より高いF1スコア、AUC値、より安定したエラー分布を生み出した。
  論文  参考訳（メタデータ） (2026-01-12T07:17:43Z)
• Distortions in Judged Spatial Relations in Large Language Models [45.875801135769585]
  GPT-4は55%の精度で優れた性能を示し、GPT-3.5は47%、Llama-2は45%であった。 モデルは、ほとんどの場合において最も近い基数方向を同定し、その連想学習機構を反映した。
  論文  参考訳（メタデータ） (2024-01-08T20:08:04Z)
• Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations [58.442103936918805]
  注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。 AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
  論文  参考訳（メタデータ） (2022-06-30T17:55:12Z)

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。