精选理由
EO-WM能更准确地预测植被在极端天气下的变化，NDVI误差降了5.63%，比现有模型更靠谱。
EO-WM是一种基于视频扩散Transformer的多光谱地球观测预测模型。它通过物理信息条件框架，将气象强迫分解为气候基线、天气异常和累积物理应力信号，以提升对极端天气的响应。在极端夏季基准上，EO-WM将预测的归一化植被指数（NDVI）下降幅度误差降低了5.63%，方向命中率提高了7.80%。该模型在标准像素级指标上也保持竞争力，并计划开源。
AI 翻译 · 中文
EO-WM是一种基于视频扩散Transformer的多光谱地球观测预测模型。它通过物理信息条件框架，将气象强迫分解为气候基线、天气异常和累积物理应力信号，以提升对极端天气的响应。在极端夏季基准上，EO-WM将预测的归一化植被指数（NDVI）下降幅度误差降低了5.63%，方向命中率提高了7.80%。该模型在标准像素级指标上也保持竞争力，并计划开源。
Earth Observation (EO) forecasting aims to predict future Earth surface dynamics from satellite observations under changing meteorological conditions. In this paper, we view this task as a partially observed, weather-dri…