Elefanți în cameră: reprezentați grafic rețele neuronale, înglobări și modele de fundație în știința datelor spațiale

Slide-uri: https://jakubnowosad.com/agforum2025

Această prezentare a acoperit trei concepte de învățare profundă interconectate care apar în activitatea de știință a datelor spațiale.

Rețele neuronale grafice (GNN) sunt o arhitectură de învățare profundă care reprezintă datele spațiale sub formă de grafice: nodurile sunt unități spațiale (pixeli, regiuni, locații) iar marginile sunt relații (proximitate, similaritate, conectivitate). Nodurile agregă informații de la vecini prin transmiterea mesajelor, similar modelelor de decalaj spațial. Tipurile obișnuite includ rețele de convoluție grafică (GCN), rețele de atenție grafică (GAT), GraphSAGE și rețele de izomorfism grafic (GIN).

Înglobări sunt reprezentări numerice compacte care comprimă date spațiale cu dimensiuni mari. Sunt folosite pentru căutarea de similaritate, detectarea modificărilor, gruparea și clasificarea cu date minime etichetate. AlphaEarth Foundations de la Google DeepMind produce încorporare de 64 de dimensiuni, cu o rezoluție de 10 metri, din diverse date geospațiale (optice, termice, radar, altitudine, climă) pentru fiecare an din 2017, nefiind nevoie de preprocesare. Provocările în utilizarea lor includ interpretabilitatea și selectarea înglobărilor adecvate pentru sarcini specifice.

Modele de fundație sunt modele mari pre-antrenate care învață reprezentări generale din date masive de observare a Pământului neetichetate prin învățarea auto-supravegheată (modelare de imagini mascate, aliniere multimodală, modelare temporală, învățare contrastivă). Exemplele includ Terramind, AnySat, Prithvi și AlphaEarth Foundations. Acestea produc înglobări, lucrează cu date minime etichetate și pot fi reglate fin pentru sarcini precum cartografierea acoperirii terenului și detectarea modificărilor. TabPFN este un model de bază pentru datele tabulare care poate fi aplicat cartografierii predictive geospațiale. Cu toate acestea, modelele de fundație au o transferabilitate limitată către noile zone geografice, iar metodele tradiționale rămân competitive atunci când datele etichetate sunt abundente.

În timpul discuției, am explicat elementele de bază ale acestor concepte și, pentru fiecare, am arătat aplicații practice în R folosind exemple reproductibile. Acestea au inclus clasificarea formelor de relief cu GNN-uri, detectarea schimbărilor folosind înglobările AlphaEarth și cartografierea bogăției speciilor cu TabPFN.

@online{nowosad2025,
  author = {Nowosad, Jakub},
  title = {Elephant(s) in the Room: {Graph} Neural Networks, Embeddings,
    and Foundation Models in Spatial Data Science},
  date = {2025-12-15},
  url = {https://jakubnowosad.com/posts/2025-12-15-agforum-talk/},
  langid = {en}
}