論文の概要: Evaluating AlphaEarth Embeddings for Crop Classification: Separability, Temporal Dynamics, and Cross-Regional Transferability
- arxiv url: http://arxiv.org/abs/2610.36857v2
- Date: Thu, 29 Oct 2026 14:15:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-30 22:39:27.521499
- Title: Evaluating AlphaEarth Embeddings for Crop Classification: Separability, Temporal Dynamics, and Cross-Regional Transferability
- Title（参考訳）: 作物分類におけるAlphaEarth Embeddingsの評価:分離性、時間的ダイナミクス、および断面積移動性
- Abstract要約: 農業モニタリングは、ピクセルレベルのスペクトル分析から、表現駆動型に移行しているが、学習された表現の体系的評価は依然として限られている。
そこで本研究では,64次元Alpha SentinelEarth符号化フレームワークを用いて,幾何学的分離性,時間的ダイナミクス,空間的ロバスト性,地域間一般化などの表現を評価する。
発見は、大規模作物分類における特徴選択の枠組みを提供するために、表現型とクロスリージョントランスファービリティのトレードオフを明らかにしている。
- 参考スコア（独自算出の注目度）: 2.0882560014211493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth Observation (EO)-based agricultural monitoring is shifting from pixel-level spectral analysis toward representation-driven modeling, yet systematic evaluation of learned representations remains limited. Geospatial foundation models (FMs) generate high-dimensional embeddings encoding complex spatio-temporal land-surface properties, but their utility and interpretability for agricultural applications remain insufficiently understood. This study presents a representation-agnostic framework evaluating a 64-dimensional AlphaEarth embedding space against Sentinel-2 reflectance, NDVI phenology, and harmonic features across geometric separability, temporal dynamics, spatial robustness, and cross-regional generalisation using field-scale data from the Conterminous United States (CONUS; 2017-2023) and Northern India (2021). Traditional features achieve strong linear separability (Fisher ratio), while embeddings provide superior distribution-aware separation - Bhattacharyya and Mahalanobis distances up to an order of magnitude higher for spectrally similar pairs (e.g. Corn/Soybeans: 3.9 vs. 0.10). Embeddings uniquely capture multi-year crop rotation dynamics, yielding a separability ratio of 1.784, versus a maximum of 1.003 for all engineered features. Under spatially explicit validation, embeddings exhibit lower residual spatial autocorrelation of errors (mean Moran's $I \approx 0.17$), reducing reliance on geographic proximity. However, harmonic features show stronger cross-continental transferability (US $\to$ India Macro F1: 0.493 vs. 0.326 for embeddings), with NDVI showing a similar advantage. The combined feature space yields balanced performance. These findings reveal a trade-off between representational richness and cross-region transferability, providing a framework for feature selection in large-scale crop classification.
- Abstract（参考訳）: 地球観測(EO)に基づく農業モニタリングは、ピクセルレベルのスペクトル分析から表現駆動型モデリングへとシフトしているが、学習された表現の体系的評価は依然として限られている。
地空間基礎モデル (FM) は複雑な時空間地形特性をコードする高次元埋め込みを生成するが, 農業利用におけるその有用性と解釈性は十分に理解されていない。
本研究では,64次元のAlphaEarth埋め込み空間をセンチネル2反射率,NDVI現象,幾何分離性,時間的ダイナミクス,空間的ロバスト性,および地域間一般化に比例して評価し,大陸アメリカ(CONUS; 2017-2023)と北インド(2021)のフィールドスケールデータを用いた表現非依存フレームワークを提案する。
伝統的な特徴は強い線形分離性(フィッシャー比)を達成する一方、埋め込みはより良い分布認識分離をもたらす - Bhattacharyya と Mahalanobis の距離はスペクトル的に類似したペア(例えば Corn/Soybeans: 3.9 vs. 0.10)に対して桁違いに高い。
組込み機は多年の作物の回転動態を独自に捉え、分離率は1.784であり、全ての工学的特徴に対して最大1.003である。
空間的明示的な検証の下では、埋め込みは誤差の残留空間自己相関が低い(モランの$I \approx 0.17$)。
しかし、ハーモニックな特徴は、より強い大陸間の転送可能性を示す(US $\to$ India Macro F1: 0.493 vs. 0.326)。
組み合わせた特徴空間はバランスの取れた性能をもたらす。
これらの結果から, 大規模作物分類における特徴選択の枠組みとして, 表現豊かさと地域間移動可能性のトレードオフが示唆された。
関連論文リスト
- FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳（メタデータ） (2026-07-13T14:10:01Z) - Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。
ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T16:32:25Z) - Evolving Spatial Weights for Cartographic Synthesis [34.00232821914697]
本研究では,空間自己相関構造に基づく地図合成の多目的定式化を提案する。
我々は,グローバル空間構造を最大化することにより,層重みを推定する双方向進化フレームワークGIS-moGAを開発した。
その結果,集団多様性の維持と早期収束の予防には高い突然変異率が重要であることが示された。
論文 参考訳（メタデータ） (2026-06-20T22:34:29Z) - Slum Detection and Density Mapping with AlphaEarth Foundations: A Representation Learning Evaluation Across 12 Global Cities [9.982796078979648]
画素レベルのスラムマッピングは、長い間、限られた都市間一般化によって制約されてきた。
AlphaEarth Foundationsは、軽量スラムモニタリングのための新しい分析可能なベースを提供する。
我々は,12都市と69都市年対のスラム分類とサブピクセル密度推定についてAFFを評価した。
論文 参考訳（メタデータ） (2026-05-11T05:54:15Z) - 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) - Star-Fusion: A Multi-modal Transformer Architecture for Discrete Celestial Orientation via Spherical Topology [0.0]
本稿では,方向推定を離散的なトポロジ的分類タスクとして再構成するマルチモーダルアーキテクチャであるStar-Fusionを提案する。
提案アーキテクチャは、光度特徴抽出のためのSwinV2-Tiny変換器バックボーン、空間接地のための三部構造畳み込み熱マップブランチ、幾何アンカーのための座標ベースを用いる。
人工ヒッパルコス由来のデータセットによる実験的評価では、スターフュージョンはトップ1の精度93.4%、トップ3の精度97.8%を達成している。
論文 参考訳（メタデータ） (2026-04-29T12:01:41Z) - Comparative Assessment of Multimodal Earth Observation Data for Soil Moisture Estimation [0.9674544640949528]
ヨーロッパ全域の植生地帯を対象とした高分解能(10m)土壌水分推定フレームワークを提案する。
空間的クロスバリデーションを用いて時間的パラメータ化とモダリティの組み合わせを比較し、地理的一般化を確実にする。
また,IBM-NASAのPrithviモデルからの基盤モデル埋め込みが従来の手作りのスペクトル特性よりも優れているかを評価する。
論文 参考訳（メタデータ） (2026-02-20T09:17:12Z) - DFYP: A Dynamic Fusion Framework with Spectral Channel Attention and Adaptive Operator learning for Crop Yield Prediction [18.24061967822792]
DFYPは、作物収量予測のための新しい動的融合フレームワークである。
スペクトルチャネルアテンション、エッジ適応空間モデリング、学習可能な融合機構を組み合わせる。
DFYPはRMSE、MAE、R2の最先端ベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2025-07-08T10:24:04Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z)
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。