論文の概要: EarthNet2021: A large-scale dataset and challenge for Earth surface forecasting as a guided video prediction task

• arxiv url: http://arxiv.org/abs/2104.10066v1
• Date: Fri, 16 Apr 2021 09:47:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 13:52:29.899153
• Title: EarthNet2021: A large-scale dataset and challenge for Earth surface forecasting as a guided video prediction task
• Title（参考訳）: EarthNet2021: ガイド付きビデオ予測タスクとしての地球表面予測のための大規模データセットと課題
• Authors: Christian Requena-Mesa, Vitus Benson, Markus Reichstein, Jakob Runge, Joachim Denzler
• Abstract要約: 将来の気象条件を考慮した衛星画像の予測タスクとして地球表面予測を枠組み化します。 earthnet2021は、タスク上のディープニューラルネットワークのトレーニングに適した大きなデータセットである。 結果予測は、数値モデルに見られる空間分解能を大幅に改善します。
• 参考スコア（独自算出の注目度）: 12.795776149170978
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Satellite images are snapshots of the Earth surface. We propose to forecast them. We frame Earth surface forecasting as the task of predicting satellite imagery conditioned on future weather. EarthNet2021 is a large dataset suitable for training deep neural networks on the task. It contains Sentinel 2 satellite imagery at 20m resolution, matching topography and mesoscale (1.28km) meteorological variables packaged into 32000 samples. Additionally we frame EarthNet2021 as a challenge allowing for model intercomparison. Resulting forecasts will greatly improve (>x50) over the spatial resolution found in numerical models. This allows localized impacts from extreme weather to be predicted, thus supporting downstream applications such as crop yield prediction, forest health assessments or biodiversity monitoring. Find data, code, and how to participate at www.earthnet.tech
• Abstract（参考訳）: 衛星画像は地球表面のスナップショットである。 我々はそれらを予測することを提案する。 我々は将来の天気に合わせた衛星画像の予測作業として地球表面の予測を行う。 earthnet2021は、タスク上のディープニューラルネットワークのトレーニングに適した大きなデータセットである。 20m解像度のセンチネル2衛星画像を含み、32000サンプルにパッケージされた地形とメソスケール(1.28km)の気象変数に一致する。 さらに、モデル相互比較が可能な課題として、EarthNet2021を定めています。 結果の予測は、数値モデルで見られる空間分解能を大幅に改善する(>x50)。 これにより、極度の天候による局所的な影響を予測することができ、収穫量の予測、森林の健康評価、生物多様性モニタリングといった下流の応用をサポートすることができる。 www.earthnet.techにおけるデータ、コード、参加方法

関連論文リスト

• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
  我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。 また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。 我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
  論文  参考訳（メタデータ） (2023-03-28T17:59:05Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• WeatherFusionNet: Predicting Precipitation from Satellite Data [0.0]
  低分解能衛星放射率画像から高分解能降水を予測することを目的としている。 WeatherFusionNetと呼ばれるニューラルネットワークは、前もって8時間までの激しい雨を予測するために使用されている。 私たちはNeurIPS 2022 Weather4Cast Coreチャレンジで1位を獲得しました。
  論文  参考訳（メタデータ） (2022-11-30T08:49:13Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Meteorological Satellite Images Prediction Based on Deep Multi-scales Extrapolation Fusion [5.125401106179782]
  気象衛星画像の正確な予測は特に2時間先まで予測することが重要である。 本稿では,現在予測されている問題に対処するため,深層多スケール核融合法を提案する。 FY-4A気象衛星データに基づく実験により,提案手法が現実的な予測画像を生成することを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:00:17Z)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• 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)
• CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds [0.0]
  本稿では,CloudCast'と呼ばれる新しい衛星ベースのデータセットを提案する。 画像は70,080枚で、雲の種類は10種類あり、大気の複数の層がピクセルレベルでアノテートされている。 データセットの空間解像度は928 x 1530ピクセル(1ピクセルあたり3x3km)で、2017-01-01から2018-12-31までのフレーム間隔は15分である。
  論文  参考訳（メタデータ） (2020-07-15T20:20:55Z)

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。