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

• A Framework for Real-Time Volcano-Seismic Event Recognition Based on Multi-Station Seismograms and Semantic Segmentation Models [0.0]
  火山モニタリングでは、火山活動を理解し、タイムリーに警告を発する上で、地震事象の効果的な認識が不可欠である。 本研究では, セマンティックモデルを用いて, 多チャンネル1次元信号の2次元表現へのストレートフォワード変換を適用することで, 地震イベント認識を自動化する手法を提案する。 本フレームワークは,5つの地震イベントクラスに対して,検出と分類を同時に行うため,最小限の事前処理でマルチステーション地震データを統合する。
  論文  参考訳（メタデータ） (2024-10-27T21:02:37Z)
• 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)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• Vision-Language Models Meet Meteorology: Developing Models for Extreme Weather Events Detection with Heatmaps [30.771706309741656]
  極端な気象のリアルタイム検出と予測は、人間の生命とインフラを保護する。 従来の手法は地理情報システム(GIS)を用いた気象熱マップの数値しきい値設定と手動解釈に依存している。 本研究は,視覚質問応答 (VQA) 問題としてフレーミングすることで,極度気象事象検出 (EWED) を再定義する。
  論文  参考訳（メタデータ） (2024-06-14T08:46:44Z)
• Anomaly detection for the identification of volcanic unrest in satellite imagery [2.642212767247493]
  本稿では, 火山の変形を異常として識別する目的で, 衛星データに対する教師なし深層学習の利用について検討する。 我々の検出器はパッチ分布モデリング(PaDiM)に基づいており、検出性能は重み付き距離で向上する。
  論文  参考訳（メタデータ） (2024-05-28T18:00:10Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)

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。