EO-WM: 一种物理信息引导的世界模型用于概率性地球观测预测

arXiv 2026 61.8 method, application

TLDR

EO-WM是一种物理信息引导的视频扩散世界模型，用于概率性地球观测预测，并带有天气响应诊断基准。

评分理由

The paper introduces a novel physically informed conditioning framework that separates baseline and anomaly signals, and includes diagnostic benchmarks for evaluating weather-response behavior. However, it is domain-specific to Earth observation and does not address interactive or reinforcement learning settings.

Read-first 评分解释

综合优先阅读分 61.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 36。

方法质量 18%

100

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、评估、实验、指标

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

93.4

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.93388316

主题相关性 29%

51.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：GitHub

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：438。

关键词评分

world model

world dynamics prediction

video world model

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

将地球观测预测视为部分可观测、天气驱动的世界建模问题，并进行概率性预测
物理信息引导的条件框架，通过不同的条件路径分离气候基线、天气异常和累积物理应力信号
两个诊断基准：极端夏季基准（用于极端天气下植被退化的严重程度感知预测）和季节匹配对基准（用于测试在变化天气强迫下的响应保真度）

方法

EO-WM是一种用于多光谱地球观测预测的视频扩散变换器。它采用物理信息引导的条件框架，通过气候基线、天气异常和累积物理应力信号来表示气象强迫，其中基线和异常通过不同的路径处理，异常强迫随时间累积以捕捉持续的热和干旱胁迫。评估使用标准像素级指标以及两个新引入的诊断基准。

关键结果

EO-WM将预测NDVI下降幅度的误差相对降低了5.63%，方向命中率相对提高了7.80%，同时在标准像素级指标上保持竞争力。

局限性

由于稀疏观测和未观测到的地表状态，预测本质上仍存在不确定性
评估仅限于两个诊断基准；未评估实际运行性能及对其他区域或条件的泛化能力
该方法的天气响应行为仅在特定的极端和季节场景下测试，可能未覆盖所有可能的气象强迫

技术栈

Video Diffusion TransformerMultispectral Earth ObservationClimatological baselineWeather anomaliesCumulative physical stress signalsExtreme Summer BenchmarkSeasonal Matched-Pair Benchmark

资源

论文