跳到正文
arXiv cs.AI· Coen van den Elsen, Laurens Geffert·· 4 小时前AI 评分31

DARWIN:面向海洋智能的地理空间基础模型

DARWIN: a Geospatial Foundation Model for Marine Intelligence

AI 导读

DARWIN 是一个面向海洋智能的地理空间基础模型,通过缺失感知编码、扩展时空掩码和 Fourier 式位置嵌入改造掩码自编码器骨干,并在 26 年全球 Copernicus 再分析数据与 GEBCO 水深数据上预训练。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:我们提出 DARWIN,一个面向海洋智能的地理空间基础模型。近期的地球观测基础模型主要集中于陆地领域。海洋领域面临独特挑战:数据缺失、多模态物理与生物地球化学变量、标签稀疏,以及瞬态、多尺度且随时间非平稳的动力学。DARWIN 通过缺失感知编码、扩展的时空掩码和傅里叶式位置嵌入,使掩码自编码器骨干网络适配这些特性,并在 26 年全球 Copernicus 再分析数据及 GEBCO 水深数据上预训练。
在叶绿素-a 预测上,预训练骨干网络在 2022 年每个月都取得最低的月度相对误差,优于无编码器基线和架构相同的随机初始化编码器。在仅使用 10% 监督训练数据时,DARWIN 已超过使用 100% 数据训练的随机初始化模型。嵌入分析和定性重建表明,DARWIN 捕捉到连贯的海洋学结构,而非记忆输入统计量,为异常检测、物种分布建模和环境监测等下游海洋应用提供了可扩展的骨干网络。
学科: 人工智能(cs.AI);大气与海洋物理(physics.ao-ph)
引用为: arXiv:2611.22496 [cs.AI]
  (或 arXiv:2611.22496v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22496

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Jan Laurens Geffert [查看邮箱]
[v1] 2026年11月17日 星期二 09:51:26 UTC(28,040 KB)

来源:arXiv cs.AI · arxiv.org