Geografische INRs: Intrinsische Dimension von Erdrepräsentationen enthüllt

In der Welt der Earth‑Observation‑Daten gewinnt die Analyse von geografischen Implicit Neural Representations (INRs) zunehmend an Bedeutung. Diese Modelle wandeln einfache Koordinaten – Breiten- und Längengrade – in hochdimensionale Embeddings um, die aus Satellitenbildern, Texten oder anderen ortsbezogenen Quellen trainiert werden. Trotz ihrer Popularität bleibt unklar, wie viel Information tatsächlich in diesen kompakt dargestellten Erdrepräsentationen steckt.

Die neue Studie untersucht die intrinsische Dimension dieser INRs, also die minimale Anzahl an Freiheitsgraden, die nötig ist, um die lokale Variabilität der Daten zu erfassen. Dabei wurden Modelle mit einer Umgebungshöhe zwischen 256 und 512 Dimensionen analysiert. Die Ergebnisse zeigen, dass die intrinsische Dimension typischerweise zwischen 2 und 10 liegt und stark von der räumlichen Auflösung sowie der Art der Eingabedaten abhängt.

Ein besonders spannender Befund ist die Korrelation zwischen der intrinsischen Dimension und der Leistung bei nachgelagerten Aufgaben. Modelle mit einer höheren intrinsischen Dimension erzielen tendenziell bessere Ergebnisse, während niedrigere Werte auf mögliche räumliche Artefakte hinweisen können. Diese Erkenntnis liefert ein wertvolles, architekturagnostisches und label‑freies Messinstrument, das zur Bewertung, Auswahl und Optimierung von INRs ohne zusätzliche Labels eingesetzt werden kann.