FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems
Shiyuan Luo, Juntong Ni, Shengyu Chen, Runlong Yu, Yiqun Xie, Licheng Liu, Zhenong Jin, Huaxiu Yao, Xiaowei Jia
建模环境生态系统对于我们地球的可持续性至关重要,但由于大量物理变量之间的相互作用驱动的复杂潜在过程,因此极具挑战性。 由于许多变量很难大规模测量,因此现有作品通常利用可观察特征和本地可用测量或建模值的组合作为输入,为特定的研究区域和时间段构建模型。 这在推进环境生态系统建模方面提出了一个基本问题:如何构建一个通用框架,用于建模不同环境变量在空间和时间上的复杂关系? 在本文中,我们引入了一个框架,即免费,允许使用不同的功能和可用信息来训练通用模型。 核心思想是将可用的环境数据映射到文本空间中,然后将环境科学中的传统预测建模任务转换为语义识别问题。 我们对两个具有社会重要现实应用的评价,流水温预测和作物产量预测,证明了免费在多个基线上的优越性,即使在数据散射场景中也是如此。
Modeling environmental ecosystems is critical for the sustainability of our planet, but is extremely challenging due to the complex underlying processes driven by interactions amongst a large number of physical variables. As many variables are difficult to measure at large scales, existing works often utilize a combination of observable features and locally available measurements or modeled values as input to build models for a specific study region and time period. This raises a fundamental que...