将位置编码器纳入深度学习以进行动态PM2.5估计的性能与泛化影响
机器学习
2025-10-28 v2 人工智能
摘要
深度学习在地理空间预测任务中表现出色，但地理信息在提高准确性和泛化能力方面的作用仍未被充分研究。近期工作引入了旨在以可迁移方式表示空间上下文的位置编码器，但大多数评估集中在静态映射任务上。在这里，我们研究了将地理信息纳入深度学习以用于动态和空间异质应用的效果：利用卫星和地面观测数据估计美国本土的日地表PM2.5浓度。我们比较了三种位置表示策略：不包含地理信息、使用原始经纬度、以及使用预训练位置编码器。我们在区域内和区域外泛化设置下评估每种策略。结果表明，原始坐标可以通过支持空间插值来提高区域内的性能，但可能降低跨区域的泛化能力。相比之下，预训练位置编码器如GeoCLIP同时提高了预测准确性和地理迁移能力。然而，我们也观察到与编码器特性相关的空间伪影，且不同编码器类型之间的性能存在差异（例如SatCLIP与GeoCLIP）。本工作提供了在动态环境估计背景下对位置编码器的首次系统性评估，并为将地理信息纳入深度学习模型进行地理空间预测提供了指导。
引用
@article{arxiv.2505.18461,
title = {Performance and Generalizability Impacts of Incorporating Location Encoders into Deep Learning for Dynamic PM2.5 Estimation},
author = {Morteza Karimzadeh and Zhongying Wang and James L. Crooks},
journal= {arXiv preprint arXiv:2505.18461},
year = {2025}
}