EarthAlign: Learning Language-Aligned Representations of Earth System Data
Aggiunta all'archivio di AIChronos il (numero del 10 ottobre 2026 ricostruito)· fonte del · Fadillah Adamsyah Maani, Numan Saeed, Jiaqi Ma, Dat Tien Nguyen, Youssef Wehbe, Duncan Watson-Parris
EarthAlign è un dataset su larga scala che combina dati meteorologici ERA5 con eventi naturali curati da esperti per colmare il divario nell'allineamento linguistico dei sistemi terrestri. Il framework MeteoLIP, basato su una architettura a dual-encoder e integrato con i token meteorologici (MetTok), apprende rappresentazioni allineate tra linguaggio e dati climatici condizionando temporalmente e geospatialmente le query. Gli esperimenti dimostrano che questo approccio supera i baseline CLIP e SigLIP in compiti di retrieval cross-modale, classificazione delle condizioni meteo e stima di variabili fisiche.
- Introduzione del dataset EarthAlign con copertura geografica globale dal 2000 al 2024 che integra dati climatici normali ed eventi estremi.
- Implementazione di MetTok per aggregare embedding specifici delle variabili in una sequenza compatta di token meteorologici tramite query condizionate da geolocalizzazione e tempo.
- Validazione su tre task downstream: retrieval cross-modale, classificazione basata sulle condizioni meteo e stima fisica delle variabili.
- Importanza critica della supervisione multi-stile temporale e spaziale per migliorare l'allineamento tra linguaggio e dati del sistema terrestre.
- Superiore performance rispetto ai modelli di riferimento CLIP e SigLIP in tutti i task valutati.
Perché conta. Per gli sviluppatori che lavorano con LLM, agenti AI o sistemi locali, EarthAlign offre un fondamento per integrare dati scientifici complessi (come quelli climatici) direttamente nei modelli linguistici senza perdere precisione fisica. Questo è cruciale per costruire agenti in grado di interpretare rischi ambientali e supportare decisioni operative basate su una comprensione profonda del sistema terrestre.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.