論文の概要: A labeled dataset of cloud types using data from GOES-16 and CloudSat

• arxiv url: http://arxiv.org/abs/2306.11159v1
• Date: Mon, 19 Jun 2023 20:55:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 16:20:40.040700
• Title: A labeled dataset of cloud types using data from GOES-16 and CloudSat
• Title（参考訳）: GOES-16とCloudSatのデータを用いたラベル付きクラウドタイプのデータセット
• Authors: Paula V. Romero Jure and Sergio Masuelli and Juan Bautista Cabral
• Abstract要約: データセットは、GOES-16のAdvanced Baseline Imager(ABI)から91のマルチバンドクラウドとMoisture Product Full-Disk(MCMIPF)で構成されている。 本研究では,その中に観測される雲の種類をラベル付けしたマルチバンド画像の画素をテーブル形式で生成するアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we present the development of a dataset consisting of 91 Multi-band Cloud and Moisture Product Full-Disk (MCMIPF) from the Advanced Baseline Imager (ABI) on board GOES-16 geostationary satellite with 91 temporally and spatially corresponding CLDCLASS products from the CloudSat polar satellite. The products are diurnal, corresponding to the months of January and February 2019 and were chosen such that the products from both satellites can be co-located over South America. The CLDCLASS product provides the cloud type observed for each of the orbit's steps and the GOES-16 multiband images contain pixels that can be co-located with these data. We develop an algorithm that returns a product in the form of a table that provides pixels from multiband images labelled with the type of cloud observed in them. These labelled data conformed in this particular structure are very useful to perform supervised learning. This was corroborated by training a simple linear artificial neural network based on the work of Gorooh et al. (2020), which gave good results, especially for the classification of deep convective clouds.
• Abstract（参考訳）: 本稿では, GOES-16静止衛星に搭載されたアドバンストベースライン・イメージラー (ABI) による91個のマルチバンド・クラウドとMCMIPF (MCMIPF) からなるデータセットの開発について述べる。 製品は、2019年1月と2月の月に対応する昼行性であり、両衛星からの製品が南米で共存できるように選択された。 CLDCLASS製品は、軌道の各ステップで観測される雲のタイプを提供し、GOES-16マルチバンド画像にはこれらのデータと同時配置可能なピクセルが含まれている。 我々は,観測された雲の種類にラベルづけされたマルチバンド画像の画素を提供するテーブルとして製品を返すアルゴリズムを開発した。 この構造に適合するラベル付きデータは教師付き学習に非常に有用である。 これは、Gorooh et al. (2020) の業績に基づく単純な線形人工ニューラルネットワークのトレーニングによって裏付けられ、特に深い対流雲の分類において良い結果が得られた。

関連論文リスト

• CloudSense: A Model for Cloud Type Identification using Machine Learning from Radar data [1.4843690728082002]
  本研究では,インド西部の複雑な地形上の降雨雲のタイプを,機械学習を用いて正確に同定するCloudSenseという新しいモデルを提案する。 CloudSenseは2018年7月から8月にかけて、Xバンドレーダーから収集された垂直反射率プロファイルを使用して、雲を成層型、混合層状対流型、対流型、浅層雲の4つのカテゴリに分類する。 以上の結果から,WGの複雑な地形における降水量推定を改善する上で有用な,より正確な雲の検出と分類が可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-05-08T21:12:33Z)
• CloudTracks: A Dataset for Localizing Ship Tracks in Satellite Images of Clouds [2.730522630535052]
  CloudTracksは,12,000以上のシップトラックインスタンスアノテーションをラベル付けした,3,560の衛星画像を含むデータセットである。 セマンティックセグメンテーションとインスタンスセグメンテーションモデルはデータセットに基づいてベースラインをトレーニングし、私たちの最良のモデルは、船のトラックのローカライゼーションにおける過去の最先端よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-01-25T19:44:19Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Insight into cloud processes from unsupervised classification with a rotationally invariant autoencoder [10.739352302280667]
  現在の雲分類スキームは1ピクセルの雲の性質に基づいており、空間構造やテクスチャを考慮できない。 コンピュータビジョンの最近の進歩は、人間の事前に定義されたラベルを使わずに、画像の異なるパターンをグループ化することを可能にする。 新たなAI駆動型クラウド分類アトラス(AICCA)の生成にこのような手法を用いることについて述べる。
  論文  参考訳（メタデータ） (2022-11-02T04:08:32Z)
• Self-Configuring nnU-Nets Detect Clouds in Satellite Images [30.46904432868366]
  nnU-Netsは、さまざまなデータセット上でセグメンテーションネットワークのメタラーニングを実行することができる、自己再構成可能なフレームワークである。 Sentinel-2とLandsat-8のマルチスペクトル画像を用いて行った実験により,nnU-Netsは手動設計なしで最先端のクラウドセグメンテーション性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-24T23:39:58Z)
• AICCA: AI-driven Cloud Classification Atlas [0.0]
  本研究は, 衛星雲観測の次元性を, 自動化された非教師なしの雲分類技術を用いてグループ化することによって低減する。 このアプローチを使用して、AI駆動型クラウド分類アトラス(AICCA)という、ユニークな新しいクラウドデータセットを生成します。
  論文  参考訳（メタデータ） (2022-09-29T21:01:31Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
  エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。 まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。 この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
  論文  参考訳（メタデータ） (2021-08-23T05:10:29Z)
• Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal [51.9654625216266]
  雲崩壊した光画像復元のための新しい手法が,ジョイントデータ融合パラダイムに基づいて提案され,開発されている。 Sentinelのコードとデータセットはスクラッチから実装され、さらなる分析と調査のために興味のある研究が利用可能になった点に注目しておくとよいだろう。
  論文  参考訳（メタデータ） (2021-06-23T08:15:01Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)

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。