論文の概要: SMArtCast: Predicting soil moisture interpolations into the future using
Earth observation data in a deep learning framework
- arxiv url: http://arxiv.org/abs/2003.10823v2
- Date: Fri, 24 Apr 2020 20:46:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 03:59:52.999073
- Title: SMArtCast: Predicting soil moisture interpolations into the future using
Earth observation data in a deep learning framework
- Title(参考訳): smartcast: 深層学習フレームワークにおける地球観測データを用いた土壌水分補間の予測
- Authors: Conrad James Foley, Sagar Vaze, Mohamed El Amine Seddiq, Alexey
Unagaev, Natalia Efremova
- Abstract要約: 本研究では,衛星画像から土壌水分と植生の計測を行った。
システムは、これらの測定の将来の値を予測することを学習する。
これは、モニタリング能力に制限のある地域で作物に好ましくない土壌水分を警告する可能性がある。
- 参考スコア(独自算出の注目度): 0.8399688944263843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Soil moisture is critical component of crop health and monitoring it can
enable further actions for increasing yield or preventing catastrophic die off.
As climate change increases the likelihood of extreme weather events and
reduces the predictability of weather, and non-optimal soil moistures for crops
may become more likely. In this work, we a series of LSTM architectures to
analyze measurements of soil moisture and vegetation indiced derived from
satellite imagery. The system learns to predict the future values of these
measurements. These spatially sparse values and indices are used as input
features to an interpolation method that infer spatially dense moisture map for
a future time point. This has the potential to provide advance warning for soil
moistures that may be inhospitable to crops across an area with limited
monitoring capacity.
- Abstract(参考訳): 土壌水分は作物の健康にとって重要な要素であり、収穫の増加や破滅的な死を防ぐためのさらなる行動を可能にする。
気候変動によって極端な気象現象が起こる可能性が高くなり、天候の予測可能性も低下し、作物に対する最適でない土壌水分がより多くなる可能性がある。
本研究は,衛星画像から得られた土壌水分と植生の計測を行うためのLSTMアーキテクチャである。
システムは、これらの測定の将来の値を予測することを学ぶ。
これらの空間疎度値と指標は、将来の時刻に空間密湿マップを推定する補間法の入力特徴として用いられる。
これは、モニタリング能力に制限のある地域で作物に好適な土壌水分の事前警告を与える可能性がある。
関連論文リスト
- Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach [23.23933321161625]
天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。
提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2024-01-29T04:15:22Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Bayesian inversion of GPR waveforms for uncertainty-aware sub-surface
material characterization [0.8602553195689513]
本研究では,地中レーダ(GPR)波形インバージョンに対するベイズモデル更新手法を提案する。
提案手法は不確実性を考慮した地下パラメータ推定のための有望な手法を提供する。
論文 参考訳(メタデータ) (2023-12-13T06:54:30Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - EarthNet2021: A novel large-scale dataset and challenge for forecasting
localized climate impacts [12.795776149170978]
大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。
メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。
EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
論文 参考訳(メタデータ) (2020-12-11T11:21:00Z) - Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。
本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。
dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
論文 参考訳(メタデータ) (2020-12-07T07:56:11Z) - Global soil moisture from in-situ measurements using machine learning --
SoMo.ml [0.0]
機械学習, SoMo.ml を用いたその場測定から得られた土壌水分の地球規模の長期データセットについて述べる。
我々は、世界中の1000以上のステーションから収集されたその場データに基づいて、空間および時間における土壌水分動態を推定するために、Long Short-Term Memory(LSTM)モデルを訓練する。
論文 参考訳(メタデータ) (2020-10-05T22:32:28Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。