SatelliteFormula: Multi-Modal Symbolic Regression from Remote Sensing Imagery for Physics Discovery

要約

マルチスペクトルのリモートセンシング画像から物理的に解釈可能な表現を直接導き出す新しい象徴的な回帰フレームワークである衛星形式を提案します。
従来の経験的インデックスやブラックボックス学習モデルとは異なり、衛星は、一貫性と解釈可能性を確保するために、物理学誘導制約と空間スペクトル特徴抽出のためのビジョン変圧器ベースのエンコーダを組み合わせます。
既存のシンボリック回帰法は、マルチスペクトルデータの高次元の複雑さと闘っています。
私たちの方法は、トランスの表現を精度と物理的妥当性のバランスをとるシンボリックオプティマイザーに統合することにより、これに対処します。
ベンチマークデータセットとリモートセンシングタスクに関する広範な実験は、最先端のベースラインと比較して優れたパフォーマンス、安定性、および一般化を示しています。
衛星形成は、複雑な環境変数の解釈可能なモデリングを可能にし、データ駆動型の学習と身体的理解の間のギャップを埋めることができます。

要約(オリジナル)

We propose SatelliteFormula, a novel symbolic regression framework that derives physically interpretable expressions directly from multi-spectral remote sensing imagery. Unlike traditional empirical indices or black-box learning models, SatelliteFormula combines a Vision Transformer-based encoder for spatial-spectral feature extraction with physics-guided constraints to ensure consistency and interpretability. Existing symbolic regression methods struggle with the high-dimensional complexity of multi-spectral data; our method addresses this by integrating transformer representations into a symbolic optimizer that balances accuracy and physical plausibility. Extensive experiments on benchmark datasets and remote sensing tasks demonstrate superior performance, stability, and generalization compared to state-of-the-art baselines. SatelliteFormula enables interpretable modeling of complex environmental variables, bridging the gap between data-driven learning and physical understanding.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google