Climplicit: Climatic Implicit Embeddings for Global Ecological Tasks

要約

気候データに関する深い学習は、大型生態学的アプリケーションの可能性を秘めています。
ただし、ストレージ、計算、および技術的な専門知識の障壁により、深い学習コミュニティ以外の科学者の間では、その採用は限られています。
これに対処するために、地球上のどこでも暗黙の気候表現を生成するために前提とされた時空間地理的エンコーダーであるクライムプリティを紹介します。
生の気候ラスターと列車の特徴抽出器をダウンロードする必要性をバイパスすることにより、モデルはx1000少ないディスクスペースを使用し、ダウンストリームタスクの計算ニーズを大幅に削減します。
バイオームの分類、種分布モデリング、および植物特性回帰に関するクライマプリティの埋め込みを評価します。
クライマプリティック埋め込みの線形は、一貫してより良いパフォーマンスを発揮するか、または下流のタスクでモデルをゼロからゼロからトレーニングし、代替のジオロケーションエンコーディングモデルよりも全体的に優れていることがわかります。

要約(オリジナル)

Deep learning on climatic data holds potential for macroecological applications. However, its adoption remains limited among scientists outside the deep learning community due to storage, compute, and technical expertise barriers. To address this, we introduce Climplicit, a spatio-temporal geolocation encoder pretrained to generate implicit climatic representations anywhere on Earth. By bypassing the need to download raw climatic rasters and train feature extractors, our model uses x1000 fewer disk space and significantly reduces computational needs for downstream tasks. We evaluate our Climplicit embeddings on biomes classification, species distribution modeling, and plant trait regression. We find that linear probing our Climplicit embeddings consistently performs better or on par with training a model from scratch on downstream tasks and overall better than alternative geolocation encoding models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google