論文の概要: Zero-Shot Forecasting of In-Situ Soil Moisture and Temperature with a Time-Series Foundation Model

• arxiv url: http://arxiv.org/abs/2610.30971v1
• Date: Thu, 22 Oct 2026 09:16:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.300839
• Title: Zero-Shot Forecasting of In-Situ Soil Moisture and Temperature with a Time-Series Foundation Model
• Title（参考訳）: 時系列基礎モデルによるその場土壌水分・温度のゼロショット予測
• Abstract要約: 時系列基礎モデルであるTimesFM 1を3つの土地管理体制を横断する27のセンサステーションから15分間の遠隔測定でゼロショットで評価した。 TimesFMはルールベースの統計予測ベースラインを21～76%下限のリードタイムで上回ったが、1日以上で6～79%減った。
• 参考スコア（独自算出の注目度）: 2.9686294158279414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soil moisture and temperature govern plant-water availability and microbial activity, making them key indicators for evaluating land-restoration efforts on degraded landscapes. However, the physical and data-driven models normally used to forecast them both need information that a newly instrumented restoration site does not yet have: hydraulic parameters for the former and months of per-site training data for the latter. We evaluate TimesFM 1, a 500M-parameter time-series foundation model, zero-shot on 15-minute telemetry from 27 sensor stations across three land-management regimes (Control, Treatment, Scald) at a semi-arid restoration site, forecasting 5 cm and 30 cm soil moisture and enclosure temperature at seven lead times from 1 h to 168 h. Using gap-aware rolling-origin evaluation across sensors, we find that TimesFM beats the best rule-based statistical forecasting baselines (persistence, seasonal-naive, or 7-day climatology) by 21-76% at sub-daily lead times but loses by 6-79% beyond a day, a pattern explained by a diurnal-alignment mechanism that holds for both soil-moisture depths and temperature. A CatBoost baseline trained walk-forward on the same origins with full history and weather covariates never wins overall, and we show that its weakness is partly a cold-start effect specific to short deployments. We additionally quantify the inference cost of zero-shot forecasting on commodity CPU hardware. Our results highlight a practical trade-off between zero-shot forecasting capability, predictive performance, and computational efficiency.
• Abstract（参考訳）: 土壌の水分と温度は植物水と微生物の活性を制御し、荒廃した景観における土地の保全活動を評価する重要な指標となる。 しかし、通常、物理モデルとデータ駆動モデルの両方に、新しく装備された修復施設がまだ持っていない情報が必要である:前者および後者のサイトごとのトレーニングデータに対する水理パラメータ。 The TimesFM 1 is a 500M-parameter time-series foundation model, zero-shot on 15- minutes telemetry from 27 sensor stations across three land-management regimes (Control, Treatment, Scald) at a semi-arid restoration site, predicting 5 cm and 30 cm soil water and surroundedure temperature at 7 lead time from 1 h to 168 h。 TimesFMは,センサ間の間隙を考慮した転がりオリジン評価により,日中リードタイムで21～76%,日中リードタイムで6～79%,土壌水分深度と温度の両方を保った日中アライメント機構で説明できるパターンを,ルールベースの統計予測ベースライン(パーセンス,季節変動,および7日間気候学)を21～76%上回っている。 CatBoostのベースラインは、完全な歴史と天候の共変量を持つ同じ起源に基づいてウォークフォワードを訓練しており、その弱点の一部は、短い展開に特有のコールドスタート効果であることを示している。 また、コモディティCPUハードウェアにおけるゼロショット予測の推論コストを定量化する。 この結果から,ゼロショット予測能力,予測性能,計算効率のトレードオフが明らかとなった。

関連論文リスト

• Dense-Cast: A lightweight ensemble of deep learning architectures for precipitation nowcasting [0.0]
  半時間降水に対する軽量な深層学習モデルを提案する。 提案モデルでは,過去5回の半時間降雨を入力とし,次の2回の半時間降雨を予測する。 提案された最良のMAEは0.235ミリメートル、RMSEは0.735ミリメートル、KGEスコアは0.816の30分間隔であった。
  論文  参考訳（メタデータ） (2026-08-06T14:26:21Z)
• 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)
• How Effective Are Time-Series Models for Precipitation Nowcasting? A Comprehensive Benchmark for GNSS-based Precipitation Nowcasting [18.312964316878283]
  RainfallBenchは、降水量計用に設計されたベンチマークである。 このデータセットは、6つの必須変数の時間間隔で記録された5年間の気象観測から導かれる。 降水性水蒸気(PWV)は、他のデータセットにない降雨の重要な指標である。
  論文  参考訳（メタデータ） (2025-09-28T03:21:24Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。