VegSim：一种用于情景条件植被模拟的地理空间世界模型

arXiv 2026 64 method, application

TLDR

VegSim利用潜在动态和天气强迫进行情景条件植被模拟，在真实数据上验证。

评分理由

The paper presents a novel approach for scenario-conditioned vegetation simulation, with strong empirical results on real-world data and spatial-temporal shifts. However, it is domain-specific to vegetation and does not address interactive or reinforcement learning settings, limiting its generality as a world model.

Read-first 评分解释

综合优先阅读分 64，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 39。

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%

91.7

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：0.9167586

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：有；数据：无；命中信号：代码、数据集、GitHub

方法质量 18%

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、数据集

主题相关性 29%

55.7

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

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

基础论文前沿论文桥接论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：479。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

使用地理空间世界模型进行情景条件植被模拟
从稀疏卫星NDVI历史、过去气象协变量和静态空间上下文推断潜在植被状态
通过循环潜在动力学在可控未来天气强迫下传播潜在状态
无需情景响应监督即可实现概率预测和条件模拟

方法

VegSim从稀疏卫星NDVI历史、过去气象协变量和静态空间上下文推断潜在植被状态，然后通过循环潜在动力学在未来天气强迫下向前传播，并在每个预测时间步解码预测性NDVI分位数。模型在GreenEarthNet数据集上训练，并在分布内以及空间、时间和联合时空偏移条件下与时间序列和地球观测预测基线进行评估。

关键结果

VegSim在所有偏移条件下均实现了强点预测和概率预测精度，同时使用紧凑架构。在法国2022年夏季案例研究中，产生了空间连贯的植被响应模式，与已知的温度和降水敏感性一致。

资源

论文代码