論文の概要: Machine Learning Information Fusion in Earth Observation: A
Comprehensive Review of Methods, Applications and Data Sources
- arxiv url: http://arxiv.org/abs/2012.05795v1
- Date: Mon, 7 Dec 2020 13:35:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:42:20.043773
- Title: Machine Learning Information Fusion in Earth Observation: A
Comprehensive Review of Methods, Applications and Data Sources
- Title（参考訳）: 地球観測における機械学習情報融合:方法、応用、データソースの包括的レビュー
- Authors: S. Salcedo-Sanz, P. Ghamisi, M. Piles, M. Werner, L. Cuadra, A.
Moreno-Mart\'inez, E. Izquierdo-Verdiguier, J. Mu\~noz-Mar\'i, Amirhosein
Mosavi, G. Camps-Valls
- Abstract要約: 本稿では,地球観測における問題に対する機械学習(ML)技術に基づく最も重要な情報融合アルゴリズムについて概説する。
データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper reviews the most important information fusion data-driven
algorithms based on Machine Learning (ML) techniques for problems in Earth
observation. Nowadays we observe and model the Earth with a wealth of
observations, from a plethora of different sensors, measuring states, fluxes,
processes and variables, at unprecedented spatial and temporal resolutions.
Earth observation is well equipped with remote sensing systems, mounted on
satellites and airborne platforms, but it also involves in-situ observations,
numerical models and social media data streams, among other data sources.
Data-driven approaches, and ML techniques in particular, are the natural choice
to extract significant information from this data deluge. This paper produces a
thorough review of the latest work on information fusion for Earth observation,
with a practical intention, not only focusing on describing the most relevant
previous works in the field, but also the most important Earth observation
applications where ML information fusion has obtained significant results. We
also review some of the most currently used data sets, models and sources for
Earth observation problems, describing their importance and how to obtain the
data when needed. Finally, we illustrate the application of ML data fusion with
a representative set of case studies, as well as we discuss and outlook the
near future of the field.
- Abstract（参考訳）: 本稿では、地球観測における問題に対する機械学習(ML)技術に基づく、最も重要な情報融合データ駆動アルゴリズムについてレビューする。
今日では、さまざまなセンサー、状態、フラックス、プロセス、変数を計測し、前例のない空間分解能と時間分解能で地球を観測し、モデル化しています。
地球観測には、衛星や空中プラットフォームに搭載されたリモートセンシングシステムを備えていますが、そこには、その場での観測、数値モデル、ソーシャルメディアデータストリームなどが含まれています。
データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
本稿は,地球観測における情報融合に関する最近の研究の概観を,現場における最も関係の深い先行研究を説明することだけでなく,ML情報融合が重要な成果を得た地球観測アプリケーションにも焦点をあてて,実践的な意図で概観する。
我々はまた、地球観測問題に最も使われているデータセット、モデル、およびソースについて、その重要性と必要なときにどのようにデータを取得するかを説明する。
最後に,代表的なケーススタディセットを用いたmlデータ融合の応用について述べるとともに,この分野の近い将来について検討・展望する。
関連論文リスト
- Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。
モチベーションと背景の概要から始まり、続いて基本概念が導入された。
我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
論文 参考訳（メタデータ） (2024-10-22T01:08:21Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - 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) - Better, Not Just More: Data-Centric Machine Learning for Earth Observation [16.729827218159038]
モデル中心の視点から補完的なデータ中心の視点へのシフトは、より正確性、一般化能力、そしてエンドユーザーアプリケーションへの影響を高めるために必要である。
本研究は、地理空間データに対する自動データ中心学習手法の正確な分類と概要と、その定義を提示する。
論文 参考訳（メタデータ） (2023-12-08T19:24:05Z) - There Are No Data Like More Data- Datasets for Deep Learning in Earth
Observation [6.839093061382966]
私たちは、地球観測データ専用の機械学習データセットをスポットライトに入れたいと思っています。
我々は、私たちのデータの性質が地球観測コミュニティを区別するものであるという理解に貢献したいと考えています。
論文 参考訳（メタデータ） (2023-10-30T02:19:16Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳（メタデータ） (2023-10-16T09:06:00Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。
我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
論文 参考訳（メタデータ） (2022-06-30T11:39:12Z) - Spatiotemporal Fusion in Remote Sensing [1.2691047660244335]
データ品質はリモートセンシングアプリケーションを強化する鍵です。
テラバイトのリモートセンシングイメージを毎日取得することができる。
データ融合は、情報抽出、分析、品質改善のために非同期に取得された様々なソースのデータを統合する。
論文 参考訳（メタデータ） (2021-07-06T16:04:04Z) - A review of machine learning in processing remote sensing data for
mineral exploration [0.41998444721319217]
本稿では,最近確立したリモートセンシングデータ処理のための機械学習手法の実装と適応について概説する。
異なる鉱床の探査への応用について研究している。
論文 参考訳（メタデータ） (2021-03-13T10:36:25Z)
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。