論文の概要: Multi-modal learning for geospatial vegetation forecasting

• arxiv url: http://arxiv.org/abs/2303.16198v2
• Date: Thu, 7 Mar 2024 14:42:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 18:26:00.223035
• Title: Multi-modal learning for geospatial vegetation forecasting
• Title（参考訳）: 地理空間植生予測のためのマルチモーダル学習
• Authors: Vitus Benson, Claire Robin, Christian Requena-Mesa, Lazaro Alonso, Nuno Carvalhais, Jos\'e Cort\'es, Zhihan Gao, Nora Linscheid, M\'elanie Weynants, Markus Reichstein
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.8180482634934092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The innovative application of precise geospatial vegetation forecasting holds immense potential across diverse sectors, including agriculture, forestry, humanitarian aid, and carbon accounting. To leverage the vast availability of satellite imagery for this task, various works have applied deep neural networks for predicting multispectral images in photorealistic quality. However, the important area of vegetation dynamics has not been thoroughly explored. Our study breaks new ground by introducing GreenEarthNet, the first dataset specifically designed for high-resolution vegetation forecasting, and Contextformer, a novel deep learning approach for predicting vegetation greenness from Sentinel 2 satellite images with fine resolution across Europe. Our multi-modal transformer model Contextformer leverages spatial context through a vision backbone and predicts the temporal dynamics on local context patches incorporating meteorological time series in a parameter-efficient manner. The GreenEarthNet dataset features a learned cloud mask and an appropriate evaluation scheme for vegetation modeling. It also maintains compatibility with the existing satellite imagery forecasting dataset EarthNet2021, enabling cross-dataset model comparisons. Our extensive qualitative and quantitative analyses reveal that our methods outperform a broad range of baseline techniques. This includes surpassing previous state-of-the-art models on EarthNet2021, as well as adapted models from time series forecasting and video prediction. To the best of our knowledge, this work presents the first models for continental-scale vegetation modeling at fine resolution able to capture anomalies beyond the seasonal cycle, thereby paving the way for predicting vegetation health and behaviour in response to climate variability and extremes.
• Abstract（参考訳）: 正確な地理空間植生予測の革新的な応用は、農業、林業、人道支援、炭素収支など様々な分野にまたがる大きな可能性を秘めている。 このタスクのために衛星画像の膨大な可用性を活用するために、様々な研究が深層ニューラルネットワークを用いて光写実性品質のマルチスペクトル画像を予測する。 しかし、植生動態の重要な領域は十分に研究されていない。 本研究は,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と,Sentinel 2衛星画像から微細解像度で植生緑度を予測するための新しい深層学習手法Contextformerを導入することで,新たな地盤を打破する。 マルチモーダルトランスフォーマモデルコンテキストフォーマは,視覚バックボーンを通じて空間的コンテキストを活用し,気象時系列をパラメータ効率良く取り入れた局所的コンテキストパッチの時間的ダイナミクスを予測する。 GreenEarthNetデータセットは、学習したクラウドマスクと、植生モデリングのための適切な評価スキームを備えている。 また、既存の衛星画像予測データセットearthnet2021との互換性を維持し、クロスデータセットモデルの比較を可能にする。 定性的かつ定量的な分析により,本手法は幅広いベースライン技術より優れていることが示された。 これには、以前のEarthNet2021の最先端モデルを超えることや、時系列予測やビデオ予測からの適応モデルが含まれる。 我々の知る限り、本研究は、季節周期を超えた異常を捉え、気候の変動と極端な変化に対応して植生の健康と行動を予測するための、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。

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)
• Towards a Knowledge guided Multimodal Foundation Model for Spatio-Temporal Remote Sensing Applications [16.824262496666893]
  本稿では,事前学習タスクが複数のモーダル間の因果関係をキャプチャする基礎モデルフレームワークを提案する。 本手法は,MultiModal Variable Step Forecasting (MM-VSF) と呼ばれ,衛星画像の予測を事前訓練作業として利用する。
  論文  参考訳（メタデータ） (2024-07-29T02:49:55Z)
• Global Vegetation Modeling with Pre-Trained Weather Transformers [2.238622204691961]
  我々は、植物活動のモデル化のために、利用可能なFourCastNetを適応させる。 我々は、大気の状態の学習されたグローバルな表現が、正規化差分植生指標(NDVI)をモデル化するためにどのように転送できるかを検討する。 我々は,事前学習した気象モデルを利用することで,NDVIモデルをスクラッチから学習するよりもNDVI推定を改善することを示した。
  論文  参考訳（メタデータ） (2024-03-27T10:45:16Z)
• 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)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• Deep autoregressive modeling for land use land cover [0.0]
  ランド・ユース/ランド・カバー・モデリング(LULC)は、地理的特徴と地形、生態学、人間発達に関連する異なる空間パターンの間の長距離依存関係のために難しい課題である。 土地利用の空間パターンのモデル化とコンピュータビジョンからのイメージインペインティングの課題との密接な関係を同定し,約1900万個のLULCをモデル化するための改良されたPixelCNNアーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-01-02T18:03:57Z)
• Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs [2.7708222692419735]
  我々は、このタスクに対処するために、畳み込みLSTM(ConvLSTM)アーキテクチャを使用します。 我々は,アフリカにおける植生の変化をSentinel-2衛星NDVIを用いて予測し,ERA5気象分析,SMAP衛星測定,地形解析を行った。 以上の結果から,ConvLSTMモデルがNDVIの季節変動を高分解能で予測できるだけでなく,観測基準値に対する気象異常の影響も明らかとなった。
  論文  参考訳（メタデータ） (2022-10-24T23:03:36Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Toward Foundation Models for Earth Monitoring: Proposal for a Climate Change Benchmark [95.19070157520633]
  近年の自己スーパービジョンの進歩は、大量の教師なしデータ上で大規模なニューラルネットワークを事前訓練することで、下流タスクの一般化が著しく増加することを示している。 基礎モデルとして最近作られたそのようなモデルは、自然言語処理の分野に転換してきた。 気候変動に関連する様々な下流タスクからなる新しいベンチマークを開発することを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:38:19Z)
• 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)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。