論文の概要: Prediction of Sentinel-2 multi-band imagery with attention BiLSTM for continuous earth surface monitoring
- arxiv url: http://arxiv.org/abs/2407.00834v1
- Date: Sun, 30 Jun 2024 21:07:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 20:44:07.423554
- Title: Prediction of Sentinel-2 multi-band imagery with attention BiLSTM for continuous earth surface monitoring
- Title(参考訳): 連続地表面モニタリングのための注目BiLSTMを用いたSentinel-2マルチバンド画像の予測
- Authors: Weiying Zhao, Natalia Efremova,
- Abstract要約: 本研究では,マルチバンド画像の予測を行うBidirectional Long Short-Term Memory (BiLSTM) ネットワークを用いたフレームワークを提案する。
当社のモデルでは,ユーザ定義の日時に基づいて,クラウドカバーを特徴とする将来の日時や期間など,ターゲット画像の予測を行うことができる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Continuous monitoring of crops and forecasting crop conditions through time series analysis is crucial for effective agricultural management. This study proposes a framework based on an attention Bidirectional Long Short-Term Memory (BiLSTM) network for predicting multiband images. Our model can forecast target images on user-defined dates, including future dates and periods characterized by persistent cloud cover. By focusing on short sequences within a sequence-to-one forecasting framework, the model leverages advanced attention mechanisms to enhance prediction accuracy. Our experimental results demonstrate the model's superior performance in predicting NDVI, multiple vegetation indices, and all Sentinel-2 bands, highlighting its potential for improving remote sensing data continuity and reliability.
- Abstract(参考訳): 農作物の連続モニタリングと時系列分析による作物条件の予測は,効果的な農業経営に不可欠である。
本研究では,マルチバンド画像の予測を行うBidirectional Long Short-Term Memory (BiLSTM) ネットワークを用いたフレームワークを提案する。
当社のモデルでは,ユーザ定義の日時や,クラウドカバーを特徴とする将来日時など,ターゲット画像の予測が可能となる。
シーケンス・ツー・ワンの予測フレームワーク内のショートシーケンスに焦点を合わせることで、高度な注意機構を活用して予測精度を向上させる。
実験の結果,NDVI,複数植生指標,およびすべてのSentinel-2バンドの予測性能が向上し,リモートセンシングデータの連続性と信頼性が向上する可能性が示された。
関連論文リスト
- Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon [0.0]
本研究は,ブラジルのアマゾンにあるAQUA_M-T衛星によって検出された活動点の歴史的時系列をモデル化し,予測するための包括的方法論を提案する。
このアプローチでは、Long Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)アーキテクチャを組み合わせた混合リカレントニューラルネットワーク(RNN)モデルを採用して、毎日検出されたアクティブファイアスポットの月次蓄積を予測する。
論文 参考訳(メタデータ) (2024-09-04T13:11:59Z) - 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) - Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。
既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。
本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文 参考訳(メタデータ) (2024-03-31T17:18:57Z) - VN-Net: Vision-Numerical Fusion Graph Convolutional Network for Sparse Spatio-Temporal Meteorological Forecasting [12.737085738169164]
VN-Netは、マルチモーダルデータを利用してスパース時間気象予報をより良く扱うためのGCN法を導入する最初の試みである。
VN-Netは、温度、相対湿度、予測のための平均絶対誤差(MAE)と根平均二乗誤差(RMSE)にかなりの差で最先端である。
論文 参考訳(メタデータ) (2024-01-26T12:41:57Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-02T17:13:16Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - MUSE-VAE: Multi-Scale VAE for Environment-Aware Long Term Trajectory
Prediction [28.438787700968703]
条件付きMUSEは、現在の最先端技術と比較して、多様かつ同時に正確な予測を提供する。
我々は、新しい合成データセットであるPFSDと同様に、nuScenesとSDDベンチマークに関する包括的な実験を通してこれらのアサーションを実証する。
論文 参考訳(メタデータ) (2022-01-18T18:40:03Z) - Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case
Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。
予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文 参考訳(メタデータ) (2021-08-19T14:44:46Z) - 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) - Panoptic Segmentation Forecasting [71.75275164959953]
我々の目標は、最近の観測結果から近い将来の予測を行うことです。
この予測能力、すなわち予測能力は、自律的なエージェントの成功に不可欠なものだと考えています。
そこで我々は,2成分モデルを構築した。一方のコンポーネントは,オードメトリーを予測して背景物の力学を学習し,他方のコンポーネントは検出された物の力学を予測する。
論文 参考訳(メタデータ) (2021-04-08T17:59:16Z) - Two-Stage Framework for Seasonal Time Series Forecasting [9.359683664929957]
季節の時系列予測は、季節性からの長期依存のために挑戦的な問題のままです。
季節の時系列を予測できる2段階フレームワークを提案する。
本研究では,第1段階で生成した中間結果を既存の予測モデルに組み込むことで,予測性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2021-03-03T02:53:39Z)
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。