論文の概要: EarthAlign: Learning Language-Aligned Representations of Earth System Data

• arxiv url: http://arxiv.org/abs/2610.14624v1
• Date: Sat, 10 Oct 2026 06:14:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.083394
• Title: EarthAlign: Learning Language-Aligned Representations of Earth System Data
• Title（参考訳）: EarthAlign:地球系データの言語対応表現を学習する
• Abstract要約: 我々は2000年から2024年の間に広い範囲をカバーした大規模なデータセットであるEarthAlignを紹介した。 EarthAlign上に構築されたMeteoLIPは,気象言語表現を学習するためのデュアルエンコーダフレームワークである。 MeteoLIPにはMetTokが組み込まれており、ジオロケーションと時間条件のクエリを使用して、可変固有のパッチ埋め込みを気象トークンのコンパクトなシーケンスに集約する。
• 参考スコア（独自算出の注目度）: 14.456111670138755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpreting Earth system conditions is central to understanding environmental risks and informing decisions across weather- and climate-sensitive sectors. Existing multimodal weather systems primarily target task-specific prediction, generation, or question answering, while general-purpose alignment between Earth system data and language remains underexplored due to the limited availability of diverse language supervision grounded in meteorological conditions. To fill this gap, we introduce EarthAlign, a large-scale dataset with broad geographic coverage spanning 2000-2024 that combines 10 expert-curated natural event and disaster data sources with climatology-derived normal-weather samples. Each sample includes temporal and geospatial information and four grounded caption styles aligned with 63-variable ERA5 meteorological data. Building on EarthAlign, we introduce MeteoLIP, a dual-encoder framework for learning aligned meteorology-language representations. MeteoLIP incorporates MetTok, which uses a geolocation- and time-conditioned query to aggregate variable-specific patch embeddings into a compact sequence of meteorology tokens. To comprehensively assess Earth system multimodal representations, we introduce three downstream tasks: cross-modal retrieval, weather-condition classification, and physical variable estimation. Our experiments show that MeteoLIP improves upon the corresponding CLIP and SigLIP baselines across these tasks. Further analyses highlight the importance of meteorological input, temporal and geospatial conditioning, and multi-style supervision for meteorology-language alignment. Thus, EarthAlign and MeteoLIP provide a foundation for learning and evaluating language-aligned representations of Earth system data. Our code, dataset, and weights are publicly available at https://github.com/mbzuai-oryx/EarthAlign.
• Abstract（参考訳）: 地球系条件の解釈は、気候や気候に敏感な分野の環境リスクを理解し、決定を下すための中心である。 既存のマルチモーダル気象システムは、主にタスク固有の予測、生成、質問応答を対象としており、一方、気象条件に基づく多様な言語監督が限られているため、地球システムデータと言語間の汎用的なアライメントは未調査のままである。 このギャップを埋めるために、2000-2024年にまたがる広い範囲をカバーする大規模なデータセットであるEarthAlignを紹介します。 各サンプルは、時空間情報と、63変数のERA5気象データに一致した4つの接地キャプションスタイルを含む。 EarthAlign上に構築されたMeteoLIPは,気象言語表現を学習するためのデュアルエンコーダフレームワークである。 MeteoLIPにはMetTokが組み込まれており、ジオロケーションと時間条件のクエリを使用して、可変固有のパッチ埋め込みを気象トークンのコンパクトなシーケンスに集約する。 地球系マルチモーダル表現を包括的に評価するために,クロスモーダル検索,気象条件分類,物理変数推定という3つの下流タスクを導入する。 実験の結果,MeteoLIPはCLIPとSigLIPのベースラインを改善した。 さらに分析は、気象入力の重要性、時間的および地理空間的条件付け、気象言語アライメントのための多言語監視の重要性を強調している。 そこで、EarthAlignとMeteoLIPは、地球システムデータの言語対応表現を学習し、評価するための基盤を提供する。 私たちのコード、データセット、ウェイトはhttps://github.com/mbzuai-oryx/EarthAlign.comで公開されています。

関連論文リスト

• UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
  グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。 GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。 自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
  論文  参考訳（メタデータ） (2026-09-02T08:37:27Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Zephyrus: An Agentic Framework for Weather Science [47.611521052984365]
  気象学の基礎モデルは、大量の構造化された数値データと従来の天気予報システムより優れた性能で事前訓練されている。 大規模言語モデル(LLM)は、テキストの理解と生成に優れるが、高次元の気象データセットを推論することはできない。 気象学の新しいエージェント・フレームワークを構築することで、このギャップを埋める。 我々は、気象データセットを反復的に分析し、結果を観察し、会話フィードバックループを通じてアプローチを洗練するマルチターンLCMベースの気象エージェントであるZephyrusを設計する。
  論文  参考訳（メタデータ） (2025-10-05T03:34:08Z)
• MeteorPred: A Meteorological Multimodal Large Model and Dataset for Severe Weather Event Prediction [44.09814361538848]
  本稿では,気象予報のための大規模な時間的マルチモーダルデータセットであるMP-Benchを紹介する。 このデータセットの上に,4次元気象入力を直接吸収するマルチモーダル大モデル (MMLM) を開発した。 MMLMは複数のタスクにまたがって非常によく機能し、厳しい気象の理解におけるその有効性を強調している。
  論文  参考訳（メタデータ） (2025-08-09T06:54:41Z)
• ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
  我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。 また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T02:22:23Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• Prompt Federated Learning for Weather Forecasting: Toward Foundation Models on Meteorological Data [37.549578998407675]
  地球規模の気候問題に対処するためには、大規模な気象データに基づいて総合的な気象予報を行うための共同プラットフォームを開発する必要がある。 本稿では,複雑な気象データを理解し,天気予報を行う領域にまたがる基礎モデルを構築した。 低リソースセンサの通信と計算の制約を満たすために,新しいプロンプト学習機構が採用された。
  論文  参考訳（メタデータ） (2023-01-22T16:47:05Z)
• Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
  本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。 降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2022-07-12T20:52:26Z)

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。