環境モデリングは、観測データが限られ地理的に不均衡であるため、未監視地域における生態系ダイナミクスの予測に重大な課題を抱えています。この問題は空間的多様性によってさらに複雑化し、モデルが局所データにしか適合しない虚偽のパターンを学ぶ原因となります。従来のドメイン一般化とは異なり、環境モデリングでは、データ拡張中に不変の物理的関係と時間的一貫性を保持する必要があります。本論文では、全く未確認の地域での予測を改善するために、利用可能なデータセットを効果的に増強するフレームワーク「GREAT」を紹介します。GREATは、オリジナルの支配プロセスを保つように構成されており、データの増強によりモデルの一般化が向上します。具体的には、GREATは神経ネットワークの複数層で変換関数を学習し、元の環境特徴と時間的影響を拡張します。実験結果は、GREATが既存の手法よりもゼロショットシナリオで大幅に優れた性能を示すことを証明しています。この研究は、包括的なモニタリングが不可能な環境アプリケーションに実用的な解決策を提供します。