跳到主要内容

地球与环境科学

  1. arXiv

    野火风险评估改走地理定位融合:RoPE把街景语义锚进卫星图,五类风险调和F1达0.2476

    野火建筑级脆弱性评估此前难以同时兼顾街区尺度的起火路径与社区尺度的地理覆盖。Wildfire-SSR把灾前街景全景交给视觉语言模型抽成结构化文本,再用经纬度把每条描述锚定到卫星图块内的相对像素位置,经解耦交叉注意力与卫星特征融合。在2025年洛杉矶Eaton与Palisades两场火灾约3.7万栋建筑上,采用旋转位置编码的配置取得建筑定位F1 0.6735和五类像素级风险调和F1 0.2476,优于单模态与无地理锚定的多模态配置。

  2. arXiv

    把天气轨迹倒着生成:Rewind-AR 让同一场极端事件的前兆更集中,但 66 小时内最多 22% 成员失稳

    给定一个已观测的极端天气终态,能否反推出通向它的多种前兆路径,是情景规划需要的样本。此前 cBottle-video 用视频扩散生成 66 小时终点约束集合,但集合离散度偏低、地转关系不自洽,且只能近似重现约束帧。Rewind-AR 改用 FourCastNet 3 骨干做反向时间概率自回归,在 2021 年太平洋西北热浪与飓风 Ian 两个案例中,其前兆 500 hPa 位势高度主导模态解释的成员间方差明显高于 cBottle-video;代价是 66 小时内最多 22% 的成员数值失稳。

  3. arXiv

    滑坡跑程模拟不再逐步解方程:物理约束神经网络单步约10毫秒,110秒全程提速约50倍

    滑坡跑程预测通常依赖求解深度平均流动方程的数值模拟,参数扫描时反复计算代价很高。一个受物理约束的神经网络被训练成按固定时间间隔推进的单步替代器,输入当前厚度与速度场,直接给出下一时刻的场。在测试集上,单步厚度与速度的均方根误差约为0.06米和0.11米每秒;自回归推进110步后约为0.21米和0.09米每秒,全程耗时约1.1秒,而数值求解器约需16.7秒。

  4. arXiv

    不训练也能预测森林碳:TabPFN-3.5在高排放情景下四项状态量误差最低

    过程型陆地生物圈模型能算全球碳收支,但计算代价限制了全球高分辨率与多情景模拟,专用深度模拟器又需要逐任务设计和训练。研究把生态系统人口学模型的40年预测改写为表格回归,用预训练的表格基础模型TabPFN-3.5以情境学习方式直接预测,不更新权重。在CarbonGlobe的50,779个测试站点上,它未训练即取得三者中最低的树高误差,土壤碳误差与DeepEDLSTM相差不到4%,但AGB、LAI和碳通量误差更大;在SSP5-8.5情景下,它是树高、AGB、土壤碳和LAI最准确的模型。

  5. researchsquare.com

    同一块田里换一片地就失灵:随机森林田内R²约0.90,跨地块降到0.329,序列模型守住0.44

    瑞士Witzwil一处农场的冬小麦像素级产量预测显示,田内插值精度高并不等于能跨地块外推。随机森林在坐标分组划分下R²约0.90,但在同年连续空间块交叉验证中平均降到0.329;CNN-A-GRU与Mamba分别保持0.444和0.434,经分域条件生成对抗网络增广后升到0.485和0.464。研究还比较了七次物候对齐采样与90天季节平均,前者在三种模型上都更好。

  6. arXiv

    通道各自编码反而更强:Meta FAIR 的 DINO-BoC 在荧光显微与卫星影像上超过联合编码

    科学影像的通道数和语义各不相同,此前多认为把通道联合编码才能学到跨通道关系。Meta FAIR 等机构在约775万张图像的扩展训练集上系统比较后发现,按单通道独立编码、推理时再拼接特征的 DINO-BoC 在显微与地理影像的多数任务上优于联合编码的 Channel-ViT,并在 CHAMMI 的线性探针平均分布外得分上超过监督基线 HyperNet。该结论覆盖域内、跨数据集与未见通道组合,但蛋白定位等任务在最近邻评估下仍需线性探针才能追平。

  7. arXiv

    WeatherDreamer 把资料同化也学进模型:不用再分析,逐小时全球分析约 1.5 分钟

    WeatherDreamer 把资料同化与预报合成一个循环,直接从 18 类地球观测中学习,不依赖再分析产品。它每小时用新观测修正潜状态,在留出测站上对温度、露点和风的集合预报在 12 小时内优于 NOAA 的 GEFS,且校准更好;同化质量在地表与湿度通道接近 GSI,但温度探测通道的偏差最大可达 GSI 的约五倍。单块 GPU 上完成一次全球逐小时分析约需 1.5 分钟。

  8. arXiv

    卫星影像检索不再先训检测器:Lens 点一下示例,跨瓦片找回同类目标

    面对覆盖数千瓦片的卫星镶嵌图,分析员过去要先收集样本、训练检测器,才能回答“这类目标在哪里”。Lens 改用冻结的自监督视觉 Transformer 提取稠密描述子,再用两步线性校正去掉位置偏置与区域共性,把点击邻域的平均特征与字节量化索引做余弦匹配。在 DFC2020 测试集上,单次点击在八类土地覆盖上取得 0.09 至 0.80 的像素 F1,均值 0.39,并在其中六类上优于逐对匹配的 INSID3 基线,查询开销约低四百倍。

  9. arXiv

    下水道数字孪生不再逐管重训:FLOOD 算子跨管径跨管网预测,单管提速约5500倍

    下水道水力数字孪生长期受制于圣维南方程的求解速度,而既有机器学习替代模型换一根管道或一种流态就要重新训练。FLOOD 用多分支神经算子直接学习圣维南方程的解算子,以管道几何、水力参数和两端检查井水位为输入,输出水深与流量。在未参与训练的管道上,水深与流量的决定系数分别达到1.000和0.999,单管在线预测提速约5500倍,并可直接用于粗糙度校准与漏水定位。

  10. arXiv

    河网汇流不再按图平均:RiverScan按汇水面积加权,多瑙河608站日径流预测整体领先

    大河径流预测要把大小不一的子流域响应沿河网向下游累积,而常规图消息传递并不显式区分各支流代表的汇水面积。RiverScan把这一累积写成按面积分数加权的选择性状态递推,按拓扑序把已完成的支流状态与本地编码合成,并用支流状态与河段属性控制信息保留。在多瑙河608个站点上,它不使用实测流量输入,整体预测性能优于所评估的时间与图基线;结构对照显示正确拓扑的收益随上游累积层级增加而增大。