論文の概要: Multimodal learning-based inversion models for the space-time
reconstruction of satellite-derived geophysical fields
- arxiv url: http://arxiv.org/abs/2203.10640v1
- Date: Sun, 20 Mar 2022 20:37:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 06:37:13.367627
- Title: Multimodal learning-based inversion models for the space-time
reconstruction of satellite-derived geophysical fields
- Title（参考訳）: 衛星地球物理場の時空再構成のためのマルチモーダル学習に基づくインバージョンモデル
- Authors: Ronan Fablet, Bertrand Chapron
- Abstract要約: 各種の衛星センサーは、衛星軌道による異なるサンプリングパターンの観測データや、大気環境に対する感度を提供する。
本稿では,エンドツーエンドの学習手法がマルチモーダル・インバージョン問題に対処するための新しい手段を提供する方法について検討する。
本手法は,衛星から得られた海面温度画像から適切な情報を抽出し,衛星高度データからの海面電流の復元をいかに進めるかを示す。
- 参考スコア（独自算出の注目度）: 40.33123267556167
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For numerous earth observation applications, one may benefit from various
satellite sensors to address the reconstruction of some process or information
of interest. A variety of satellite sensors deliver observation data with
different sampling patterns due satellite orbits and/or their sensitivity to
atmospheric conditions (e.g., clour cover, heavy rains,...). Beyond the ability
to account for irregularly-sampled observations, the definition of model-driven
inversion methods is often limited to specific case-studies where one can
explicitly derive a physical model to relate the different observation sources.
Here, we investigate how end-to-end learning schemes provide new means to
address multimodal inversion problems. The proposed scheme combines a
variational formulation with trainable observation operators, {\em a priori}
terms and solvers. Through an application to space oceanography, we show how
this scheme can successfully extract relevant information from
satellite-derived sea surface temperature images and enhance the reconstruction
of sea surface currents issued from satellite altimetry data.
- Abstract（参考訳）: 多数の地球観測応用のためには、様々な衛星センサーの恩恵を受け、あるプロセスの再構築や興味ある情報に対処することができる。
様々な衛星センサーは、衛星軌道と大気環境(例えば、クローカバー、豪雨、...)に対する感度によって異なるサンプリングパターンを持つ観測データを提供する。
不規則にサンプリングされた観測を考慮できるだけでなく、モデル駆動反転法の定義はしばしば、異なる観測源を関連付けるために物理モデルを明確に導出できる特定のケーススタディに制限される。
本稿では,マルチモーダル・インバージョン問題に対処する新たな方法として,エンドツーエンドの学習方式を提案する。
提案されたスキームは、変分定式化と訓練可能な観測演算子、項と解法を組み合わせたものである。
宇宙海洋学への応用により,衛星から得られた海面温度画像から関連情報を抽出し,衛星高度データから発生する海面電流の再構成を促進できることを示す。
関連論文リスト
- Geospecific View Generation -- Geometry-Context Aware High-resolution Ground View Inference from Satellite Views [5.146618378243241]
多視点衛星画像から弱い幾何学やテクスチャを最大限に尊重するジオ特殊ビューを生成するための新しいパイプラインを提案する。
本手法は,衛星画像からの包括的情報を用いて,位置の地上画像を直接予測する。
我々のパイプラインは、衛星画像のみに基づいて、実物に近い地上ビューを初めて生成したものであることを実証する。
論文 参考訳（メタデータ） (2024-07-10T21:51:50Z) - Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。
このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
論文 参考訳（メタデータ） (2024-03-22T17:11:47Z) - A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。
動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。
提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文 参考訳（メタデータ） (2024-02-06T13:20:56Z) - 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) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳（メタデータ） (2023-12-14T13:40:39Z) - Diffusion Models for Earth Observation Use-cases: from cloud removal to
urban change detection [31.572818380518914]
本研究では,衛星画像データへの拡散に基づくアプローチの可能性を示す3つのユースケースを提案し,分析する。
すなわち、クラウドの除去と塗装、変更検出タスクのためのデータセット生成、都市再計画に取り組む。
論文 参考訳（メタデータ） (2023-11-10T18:24:25Z) - Super-Resolution of BVOC Emission Maps Via Domain Adaptation [17.819699053848197]
ディープラーニング(DL)に基づく超解法(SR)法が提案されている。
本研究は,衛星観測から得られた高分解能発光マップの超解像化を目的として,数値シミュレーションにより得られた放射マップの情報を活用することを目的とする。
本研究では, シミュレーションおよび観測されたエミッションの数を系統的に変化させることで, 異なる段階におけるドメイン適応(DA)戦略の有効性を検討する。
論文 参考訳（メタデータ） (2023-06-22T10:59:15Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Predicting Landsat Reflectance with Deep Generative Fusion [2.867517731896504]
公共の衛星ミッションは一般に、空間分解能と時間分解能のトレードオフに結びついている。
これにより、植生の監視や人道的行動を支援する能力が損なわれる。
空間的・時間的特性の異なる製品を融合させて高解像度の光学画像を生成するための深部生成モデルの可能性を探る。
論文 参考訳（メタデータ） (2020-11-09T21:06:04Z)
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。