发表机构
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究利用基础模型嵌入（如AlphaEarth、AnySat、TerraMind）系统识别最具预测性的地理空间指标，以增强数据稀缺地区的城市宜居性预测性能。
AI 中文摘要
尽管在数据稀缺地区准确衡量社会经济指标仍然具有挑战性，这限制了政策干预和资源分配，但高分辨率地理空间数据广泛可用，并且可能包含各种宜居性统计信息。我们研究了基础模型嵌入（如AlphaEarth、AnySat和TerraMind）中编码了哪些物理特征，并提供了一个系统框架来识别最具预测性的地理空间指标。通过分析不同类型的地理空间数据如何影响城市宜居性预测，我们的方法使研究人员能够优先考虑对其特定应用最有信息量的特征。此外，我们展示了如何利用基础模型嵌入来增强这些结果的预测性能。这项工作为从卫星图像中提取可操作信息提供了一种原则性方法，同时考虑了复杂的空间依赖性，其应用包括在观测数据有限的地区预测城市宜居性。
英文摘要
While accurate measurement of socioeconomic indicators remains challenging in data-scarce regions, which limits policy interventions and resource allocation, high-resolution geospatial data is widely available and can contain information on various livability statistics. We investigate which physical features are encoded within foundation model embeddings, such as AlphaEarth, AnySat, and TerraMind, and provide a systematic framework for identifying the most predictive geospatial indicators. By analyzing how different types of geospatial data influence urban livability predictions, our approach enables researchers to prioritize the most informative features for their specific applications. Additionally, we demonstrate how to leverage foundation model embeddings to enhance prediction performance for these outcomes. This work contributes a principled methodology for extracting actionable information from satellite imagery while accounting for complex spatial dependencies, with applications in predicting urban livability in regions with limited observation data.
Comments11 pages, 5 figures, 6 tables
