چکیده
User Safety: safe
متن کامل
**موتور پیشبینی سیارهای: پیشبینی خودکار جغرافیایی-فضایی از طریق انتخاب هوشمند داده و جاسازیهای مدلهای پایه**
**نویسندگان:** ایولین مای، راما کومار پاسومارثی، کیشور شفین، ماندار شارما، میمی سان، هامد صادقی، داو م. ابنگو، امبولای یونسیم، روسلان سولوماخین، جان وامبورو، ویلیام اوگالو، عایشه والکات-برایانت، سانکسینگ چن، اربعاز مسلم، یائل مایر، رونالد هو، روی لی، روث المکنتارا، عبدولایه دیاک، مونیکا بهارل، لامبرت روزیک، جرمی آمز-درو، کریستوفر هایر، جیمز مناییکا، یوسی متیاس، نیو افرون، گائتام پراساد، شراویا شتی
**چکیده:**
پاسخ به چالشهای جهانی حیاتی، از امنیت غذایی و خطرات فاجعهای تا شیوع بیماریها و آسیبپذیریهای اجتماعی-اقتصادی، نیازمند مدلسازی جغرافیایی-فضایی با وفور بالا است. با این حال، ساخت مدلهای سیارهای پیشبینیکننده همچنان تحت محدودیت اکوسیستم دادهای شکستهشده قرار دارد و نیازمند بازیابی دستی داده، ادغام و انتخاب دادههای چندحالته و انتخاب مدلهای تکراری است. ما موتور پیشبینی سیارهای (PPE) را معرفی میکنیم، یک سامانه هوش مصنوعی خودکار که این فرآیند کامل را مستقیماً از طریق پرسوجوهای زبانی طبیعی انجام میدهد.
PPE بهصورت لحظهای دادههای چندحالته را ترکیب میکند و متغیرهای مرتبط فضایی-زمانی را از پلتفرمهای وب باز و مشاهدات زمینی (Data Commons، Google Earth Engine) بازیابی مینماید و آنها را با جاسازیهای مدلهای پایه جغرافیایی-فضایی (PDFM، AlphaEarth) ترکیب میکند. در عین حال، جستجو در میان خانوادههای معماری مدلهای سفارشیشده با قابلیتهای خودکار جلوگیری از بیشبرآورد انجام میشود.
در طول انجام وظایف متنوع، مناطق جغرافیایی و حوزههای علمی مختلف، PPE بهطور مداوم عملکرد بهتری نسبت به مدلهای پیشرفته فعلی یا پایههای متخصصان دستی دارد. برای رگرسیون فضایی ایالات متحده، PPE میانگین $R^2$ را در 21 شاخص سلامتی CDC (76.8% در مقابل 60.0%)، شاخصهای ریسک ملی FEMA (64.9% در مقابل 60.0%) و شاخص آسیبپذیری اجتماعی (66.2% در مقابل 58.6%) بهبود میبخشد. برای مقیاسبندی فضایی در شرایط دادهای کم، PPE با ادغام پروکسیهای محلی، دقت پایه را در شاخصهای امنیت غذایی نیجریه دو برابر میکند ($R^2$ برابر با 66.1% در مقابل 31.5%). برای پیشبینی اکنونگرایانه اپیدمیولوژیک شیوع اوبلیو در بوندیبوجو دموکراتیک کنگو در سال 2026، PPE دقت فراخوانی@10 را برابر با 83.3% حاصل میکند (شناسایی 15 از 18 منطقه بهداشتی تازه تحت تهاجم در طول پنج پیشبینی هفتگی)، که نشاندهنده بهبود 10.3 درصدی نسبت به مدلسازی منتشر شده پیشرفته فعلی (~73%) است.
با ترکیب کشف خودکار دادههای سیارهای چندحالته با بهینهسازی مدل هدفمند، PPE سد علمی و فنی دسترسی به تحلیلهای مقیاس سیارهای را کاهش میدهد و امکان استقرار سریع، سفارشی و سطح متخصص را فراهم میسازد.
**موضوعات:** هوش مصنوعی (cs.AI)؛ یادگیری ماشین (cs.LG)
**ارجاع به عنوان:** arXiv:2608.26088 [cs.AI] (یا arXiv:2608.26088v1 [cs.AI] برای این نسخه)
https://doi.org/10.48550/arXiv.2608.26088
اطلاعات بیشتر درباره DOI صادر شده توسط arXiv از طریق DataCite (در انتظار ثبت) تاریخچه ارسال از: راما کومار پاسومارثی [مشاهده ایمیل] [نسخه ۱] چهارشنبه، ۲۶ اوت ۲۰۲۶، ساعت ۱۷:۵۰:۵۲ UTC (۲٬۰۲۹ کیلوبایت) ابزارهای کتابشناختی ابزارهای کتابشناختی و استنادی جستجوگر کتابشناختی فعالسازی جستجوگر کتابشناختی (جستجوگر چیست؟) مقالات مرتبط فعالسازی مقالات مرتبط (مقالات مرتبط چیست؟) Litmaps فعالسازی Litmaps (Litmaps چیست؟) scite.ai فعالسازی استنادهای هوشمند scite (استنادهای هوشمند چیست؟) کد، داده، رسانه کد، داده و رسانه مرتبط با این مقاله alphaXiv فعالسازی alphaXiv (alphaXiv چیست؟) پیوندها به کد فعالسازی CatalyzeX Code Finder for Papers (CatalyzeX چیست؟) DagsHub فعالسازی DagsHub (DagsHub چیست؟) GotitPub فعالسازی Gotit.pub (Gotit.pub چیست؟) Huggingface فعالسازی Hugging Face (Hugging Face چیست؟) ScienceCast فعالسازی ScienceCast (ScienceCast چیست؟) نسخههای نمایشی نسخههای نمایشی Replicate فعالسازی Replicate (Replicate چیست؟) Spaces فعالسازی Hugging Face Spaces (Spaces چیست؟) Spaces فعالسازی TXYZ.AI (TXYZ.AI چیست؟) مقالات مرتبط ابزارهای پیشنهاددهنده و جستجو پیوند به Influence Flower فعالسازی Influence Flower (Influence Flower چیست؟) پیشنهاددهنده CORE فعالسازی CORE Recommender (CORE چیست؟) نویسنده همایش سازمان موضوع درباره arXivLabs arXivLabs: پروژههای آزمایشی با همکاری انجمن arXivLabs چارچوبی است که به همکاران اجازه میدهد تا ویژگیهای جدید arXiv را مستقیماً در وبسایت ما توسعه داده و به اشتراک بگذارند. افراد و سازمانهایی که با arXivLabs کار میکنند، ارزشهای ما مبنی بر openness، community، excellence، و حریم خصوصی دادههای کاربر را پذیرفتهاند. arXiv متعهد به این ارزشها است و تنها با شرکایی کار میکند که به آنها پایبند باشند. ایدهای برای پروژهای دارید که ارزشی به انجمن arXiv بیفزاید؟ درباره arXivLabs بیشتر بدانید. کدام نویسندگان این مقاله تأییدکننده هستند؟ | غیرفعالسازی MathJax (MathJax چیست؟)