論文の概要: Fusing Optical and SAR time series for LAI gap filling with multioutput
Gaussian processes
- arxiv url: http://arxiv.org/abs/2012.02998v1
- Date: Sat, 5 Dec 2020 10:36:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 12:10:43.619557
- Title: Fusing Optical and SAR time series for LAI gap filling with multioutput
Gaussian processes
- Title(参考訳): 多出力ガウスプロセスによるLAIギャップ充填のための光・SAR時系列の融合
- Authors: Luca Pipia, Jordi Mu\~noz-Mar\'i, Eatidal Amin, Santiago Belda, Gustau
Camps-Valls, Jochem Verrelst
- Abstract要約: 農地上の永久雲は、作物の生育の重要な段階を隠蔽し、信頼できない収量予測をもたらす。
SAR(Synthetic Aperture Radar)は、この制限を克服できるオールウェザー画像を提供する。
本稿では,マルチセンサ時系列間の統計的関係を自動的に学習する機械学習手法であるMOGP回帰(Multi-Output Gaussian Process)を提案する。
- 参考スコア(独自算出の注目度): 6.0122901245834015
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The availability of satellite optical information is often hampered by the
natural presence of clouds, which can be problematic for many applications.
Persistent clouds over agricultural fields can mask key stages of crop growth,
leading to unreliable yield predictions. Synthetic Aperture Radar (SAR)
provides all-weather imagery which can potentially overcome this limitation,
but given its high and distinct sensitivity to different surface properties,
the fusion of SAR and optical data still remains an open challenge. In this
work, we propose the use of Multi-Output Gaussian Process (MOGP) regression, a
machine learning technique that learns automatically the statistical
relationships among multisensor time series, to detect vegetated areas over
which the synergy between SAR-optical imageries is profitable. For this
purpose, we use the Sentinel-1 Radar Vegetation Index (RVI) and Sentinel-2 Leaf
Area Index (LAI) time series over a study area in north west of the Iberian
peninsula. Through a physical interpretation of MOGP trained models, we show
its ability to provide estimations of LAI even over cloudy periods using the
information shared with RVI, which guarantees the solution keeps always tied to
real measurements. Results demonstrate the advantage of MOGP especially for
long data gaps, where optical-based methods notoriously fail. The
leave-one-image-out assessment technique applied to the whole vegetation cover
shows MOGP predictions improve standard GP estimations over short-time gaps
(R$^2$ of 74\% vs 68\%, RMSE of 0.4 vs 0.44 $[m^2m^{-2}]$) and especially over
long-time gaps (R$^2$ of 33\% vs 12\%, RMSE of 0.5 vs 1.09 $[m^2m^{-2}]$).
- Abstract(参考訳): 衛星光情報の入手は、多くのアプリケーションで問題となる雲の自然の存在によって妨げられることが多い。
農耕地における持続的な雲は作物の生育の重要な段階を覆い隠しており、信頼できない収量予測に繋がる。
SAR(Synthetic Aperture Radar)は、この制限を克服できるオールウェザー画像を提供するが、異なる表面特性に対して高感度で異なる感度を持つため、SARと光学データの融合は依然として未解決の課題である。
本研究では,多センサ時系列間の統計的関係を自動的に学習する機械学習手法であるmulti-output gaussian process (mogp) regressionを用いて,sar-optical imageries間の相乗効果が有益な植生領域を検出する手法を提案する。
この目的のために,イベリア半島北西部の地域を対象に,Sentinel-1 Radar Vegetation Index (RVI) とSentinel-2 Leaf Area Index (LAI) の時系列データを用いた。
我々はMOGP訓練モデルの物理的解釈を通じて、実測値と常に結びついていることを保証し、RVIと共有する情報を用いて、雲上においてもLAIの推定を行う能力を示す。
その結果、特に光ベースの手法が失敗する長いデータギャップに対するMOGPの利点が示された。
植生全体に適用された左1画像評価手法は、mogp予測が、短時間ギャップ(r$^2$ of 74\% vs 68\%、rmse: 0.4 vs 0.44 $[m^2m^{-2}]$)、特に長時間ギャップ(r$^2$ of 33\% vs 12\%、rmse: 0.5 vs 1.09 $[m^2m^{-2}]$)において標準gp推定を改善することを示している。
関連論文リスト
- Estimating optical vegetation indices with Sentinel-1 SAR data and
AutoML [32.19783248549554]
現在の森林生態系モニタリング用光植生指標(VIs)は,様々な用途で広く利用されている。
光衛星データに基づく継続的な監視は、雲のような大気の影響によって妨げられる。
本研究の目的は、SARデータによる光学データに影響を与える問題を克服し、機械学習を用いて森林の光VIを推定する代替手段として機能することである。
論文 参考訳(メタデータ) (2023-11-13T18:23:46Z) - Sub-token ViT Embedding via Stochastic Resonance Transformers [54.84390340877745]
本稿では、事前学習したViTが空間量子化をどのように扱うかを改善する方法を提案する。
SRT(Stochastic Resonance Transformer)と呼ぶ。
SRTはどんな層でも、どんなタスクでも適用でき、微調整は不要である。
論文 参考訳(メタデータ) (2023-10-06T01:53:27Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Combining multitemporal optical and SAR data for LAI imputation with
BiLSTM network [0.0]
葉面積指数(LAI)は冬のコムギ収量の予測に不可欠である。センチネル-2リモートセンシング画像による収穫条件の取得は、持続的な雲によって妨げられ、収量予測に影響を及ぼす。
本研究では,LAI計算における時系列Sentinel-1 VH/VVの有用性について検討し,空間時間密度の向上を目的とした。
我々は、双方向LSTM(BiLSTM)ネットワークを用いて時系列LAIをインプットし、損失関数として各ステップの半平均2乗誤差を使用する。
論文 参考訳(メタデータ) (2023-07-14T15:59:19Z) - Coupling a Recurrent Neural Network to SPAD TCSPC Systems for Real-time
Fluorescence Lifetime Imaging [4.49533352963549]
近年,生物・医学研究における強力な診断技術として,蛍光寿命イメージング(FLI)が注目されている。
既存のFLIシステムは、処理速度、精度、堅牢性の間のトレードオフに悩まされることが多い。
精度を低下させることなく高速FLIを実現する頑健な手法を提案する。
論文 参考訳(メタデータ) (2023-06-27T16:37:37Z) - Transforming Observations of Ocean Temperature with a Deep Convolutional
Residual Regressive Neural Network [0.0]
海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。
ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。
本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。
我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
論文 参考訳(メタデータ) (2023-06-16T17:35:11Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳(メタデータ) (2023-04-22T22:39:03Z) - Ultra-low Power Deep Learning-based Monocular Relative Localization
Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。
超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。
実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文 参考訳(メタデータ) (2023-03-03T14:14:08Z) - Solar Flare Index Prediction Using SDO/HMI Vector Magnetic Data Products
with Statistical and Machine Learning Methods [6.205102537396887]
太陽フレア、特にMクラスとXクラスのフレアは、しばしばコロナ質量放出(CME)と関連している。
本稿では,ARのフレア生産性を定量化する,ARのフレア指数(Frare Index,FI)の予測に対する統計的および機械学習のアプローチを紹介する。
論文 参考訳(メタデータ) (2022-09-28T02:13:33Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳(メタデータ) (2022-07-14T10:04:18Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳(メタデータ) (2021-04-11T16:45:18Z)
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。