論文の概要: Improving the Thermal Infrared Monitoring of Volcanoes: A Deep Learning
Approach for Intermittent Image Series
- arxiv url: http://arxiv.org/abs/2109.12767v1
- Date: Mon, 27 Sep 2021 02:31:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 06:32:30.764181
- Title: Improving the Thermal Infrared Monitoring of Volcanoes: A Deep Learning
Approach for Intermittent Image Series
- Title(参考訳): 火山の熱赤外モニタリングの改良 : 間欠的画像シリーズへのディープラーニングアプローチ
- Authors: Jeremy Diaz, Guido Cervone, Christelle Wauthier
- Abstract要約: 提案手法により,最低のRMSE (4.164circ$C, 他の手法:4.217-5.291circ$C) で火山の温度を予測できることを示す。
また, 熱画像から得られた複数の時系列について, 特異火山のデータによるトレーニングの効果について検討した。
この研究は、火山活動予測のためのデータ駆動型ディープラーニングモデルの可能性を強調している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Active volcanoes are globally distributed and pose societal risks at multiple
geographic scales, ranging from local hazards to regional/international
disruptions. Many volcanoes do not have continuous ground monitoring networks;
meaning that satellite observations provide the only record of volcanic
behavior and unrest. Among these remote sensing observations, thermal imagery
is inspected daily by volcanic observatories for examining the early signs,
onset, and evolution of eruptive activity. However, thermal scenes are often
obstructed by clouds, meaning that forecasts must be made off image sequences
whose scenes are only usable intermittently through time. Here, we explore
forecasting this thermal data stream from a deep learning perspective using
existing architectures that model sequences with varying spatiotemporal
considerations. Additionally, we propose and evaluate new architectures that
explicitly model intermittent image sequences. Using ASTER Kinetic Surface
Temperature data for $9$ volcanoes between $1999$ and $2020$, we found that a
proposed architecture (ConvLSTM + Time-LSTM + U-Net) forecasts volcanic
temperature imagery with the lowest RMSE ($4.164^{\circ}$C, other methods:
$4.217-5.291^{\circ}$C). Additionally, we examined performance on multiple time
series derived from the thermal imagery and the effect of training with data
from singular volcanoes. Ultimately, we found that models with the lowest RMSE
on forecasting imagery did not possess the lowest RMSE on recreating time
series derived from that imagery and that training with individual volcanoes
generally worsened performance relative to a multi-volcano data set. This work
highlights the potential of data-driven deep learning models for volcanic
unrest forecasting while revealing the need for carefully constructed
optimization targets.
- Abstract(参考訳): 活動的な火山は世界中に分布し、地域的危険から地域的・国際的破壊まで、複数の地域規模で社会的なリスクをもたらす。
多くの火山は連続した地上監視網を持っていないため、衛星観測は火山の挙動と不安の唯一の記録を提供する。
これらのリモートセンシング観測のうち、熱画像は火山観測所によって毎日検査され、噴火活動の早期の兆候、開始、および進化を調べる。
しかし、熱シーンはしばしば雲によって妨げられるため、予測は時間を通じて間欠的にしか使用できない画像シーケンスから作り出さなければならない。
本稿では,この熱データストリームの予測を,時空間的考察の異なるシーケンスをモデル化する既存のアーキテクチャを用いて深層学習の観点から検討する。
さらに、断続画像列を明示的にモデル化する新しいアーキテクチャを提案し、評価する。
1999ドルから2020ドルの間、9ドルのASTERキネティック表面温度データを用いて、提案されたアーキテクチャ(ConvLSTM + Time-LSTM + U-Net)は、最低のRMSE$4.164^{\circ}$Cで火山の温度を予測し、その他の方法では4.217-5.291^{\circ}$Cであることがわかった。
さらに, 熱画像から得られた複数の時系列データと, 特異火山のデータによるトレーニングの効果について検討した。
最終的に,予測画像のrmseが最も低いモデルでは,その画像から得られた再現時系列における最低rmseが得られず,個々の火山での訓練では,マルチ・ボルカノデータセットに比べて性能が低下することが判明した。
この研究は、火山活動予測のためのデータ駆動ディープラーニングモデルの可能性を強調し、慎重に構築された最適化目標の必要性を明らかにした。
関連論文リスト
- 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) - GD-CAF: Graph Dual-stream Convolutional Attention Fusion for
Precipitation Nowcasting [1.642094639107215]
降水マップの履歴グラフから学習するために,GD-CAF (Graph Dual-streamtemporal Conal Attention Fusion) を導入した。
GD-CAFは、ゲート・テンポラル・コンボリューション・アテンションと、深度に分離可能なコンボリューション・オペレーションを備えた融合モジュールで構成されている。
ERA5データセットから収集したヨーロッパとその周辺地域の7年間の降水分布図を評価した。
論文 参考訳(メタデータ) (2024-01-15T20:54:20Z) - 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) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station
Data and Radar Data [14.672132394870445]
複数の気象観測所からの地上気象観測を効果的に活用するための新しい注意法であるASOCを提案する。
ASOCは、観測の時間的ダイナミクスとそれらの間の文脈的関係を捉えるように設計されている。
この組み合わせにより, 平均臨界成功指数 (CSI) は1-6時間リード時の重雨 (少なくとも10 mm/hr) と軽雨 (少なくとも1 mm/hr) を5.7%向上することがわかった。
論文 参考訳(メタデータ) (2022-10-20T14:59:58Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳(メタデータ) (2022-04-23T01:30:47Z) - Self-supervised Contrastive Learning for Volcanic Unrest Detection [4.152165675786138]
InSAR(Interferometric Synthetic Aperture Radar)データから測定した地盤変形は,火山活動の兆候と考えられる。
近年の研究では, 火山の変形信号の検出にSentinel-1 InSARデータと教師付き深層学習(DL)手法を用いることの可能性が示されている。
本稿では,ラベルのないInSARデータに隠された高品質な視覚表現を学習するために,自己教師付きコントラスト学習を用いることを提案する。
論文 参考訳(メタデータ) (2022-02-08T17:54:51Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳(メタデータ) (2021-07-13T11:08:47Z) - Comparison between ARIMA and Deep Learning Models for Temperature
Forecasting [0.0]
本稿では,ARIMA(Auto Regressive Integrated Average)モデルとディープラーニングモデルを比較し,温度を推定する。
実験結果によると,ディープラーニングモデルは従来のARIMA手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2020-11-09T14:21:46Z)
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。