Fugu-MT 論文翻訳(概要): Improving Water Quality Time-Series Prediction in Hong Kong using Sentinel-2 MSI Data and Google Earth Engine Cloud Computing

論文の概要: Improving Water Quality Time-Series Prediction in Hong Kong using Sentinel-2 MSI Data and Google Earth Engine Cloud Computing

arxiv url: http://arxiv.org/abs/2408.14010v2
Date: Tue, 27 Aug 2024 08:02:49 GMT
ステータス: 処理完了
システム内更新日: 2024-08-28 12:32:33.054109
Title: Improving Water Quality Time-Series Prediction in Hong Kong using Sentinel-2 MSI Data and Google Earth Engine Cloud Computing
Title（参考訳）: Sentinel-2 MSIデータとGoogle Earth Engineによる香港の水質時系列予測の改善
Authors: Rohin Sood, Kevin Zhu,
Abstract要約: 本研究は,香港沿岸域におけるクロロフィルa (Chl-a), 懸濁固体 (SS), 濁度を予測するための時系列モデルを構築した。
参考スコア（独自算出の注目度）: 2.186901738997927
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Effective water quality monitoring in coastal regions is crucial due to the progressive deterioration caused by pollution and human activities. To address this, this study develops time-series models to predict chlorophyll-a (Chl-a), suspended solids (SS), and turbidity using Sentinel-2 satellite data and Google Earth Engine (GEE) in the coastal regions of Hong Kong. Leveraging Long Short-Term Memory (LSTM) Recurrent Neural Networks, the study incorporates extensive temporal datasets to enhance prediction accuracy. The models utilize spectral data from Sentinel-2, focusing on optically active components, and demonstrate that selected variables closely align with the spectral characteristics of Chl-a and SS. The results indicate improved predictive performance over previous methods, highlighting the potential for remote sensing technology in continuous and comprehensive water quality assessment.
Abstract（参考訳）: 沿岸部における水質モニタリングは, 汚染や人的活動による劣化が進行しているため, 重要な課題である。そこで本研究では,香港沿岸域におけるクロロフィルa (Chl-a), 懸濁固体 (SS), 濁度を予測する時系列モデルを構築した。この研究は、Long Short-Term Memory (LSTM) Recurrent Neural Networksを活用し、予測精度を高めるために、広範囲の時間データセットを組み込んだ。これらのモデルは、光学活性成分に着目したSentinel-2のスペクトルデータを使用し、選択された変数がChl-aとSSのスペクトル特性と密接に一致していることを示す。その結果, 従来手法よりも予測性能が向上し, 連続的, 総合的な水質評価におけるリモートセンシング技術の可能性が浮き彫りになった。

関連論文リスト

Deep Spatio-Temporal Neural Network for Air Quality Reanalysis [17.089907362560197]
近い将来,観測ステーションと観測ステーションの時間的再解析モデルであるAQ-Netを提案する。細粒度空間空気質の推定を学習するために、ニューラルネットワークにAQ-Netを組み込む。
論文参考訳（メタデータ） (2025-02-17T15:52:22Z)
Enhancing Robustness Of Digital Shadow For CO2 Storage Monitoring With Augmented Rock Physics Modeling [0.276240219662896]
時間ラプス地震イメージングはCO2の移動を追跡するのに不可欠であるが、多相下流の複雑さを捉えるのにしばしば苦労する。非線形ベイズフィルタリングや生成AIといった機械学習駆動のデータ同化技術を活用するDigital Shadows(DS)は、より詳細で不確実性を認識した監視アプローチを提供する。本研究では,様々な岩石物理モデルによる予測アンサンブルの増大が誤った仮定の影響を緩和し,予測精度を向上させることを示す。
論文参考訳（メタデータ） (2025-02-11T01:33:35Z)
Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [33.025831091005784]
大規模な海面温度(SST)モニタリングは、衛星の赤外線検出に依存している。クラウドカバーは大きな課題を示し、広範な観察上のギャップを生み出します。我々は、衛星画像の雲に覆われた部分を再構築するために、ディープニューラルネットワークを使用している。
論文参考訳（メタデータ） (2024-12-04T15:49:49Z)
Enhancing Sentinel-2 Image Resolution: Evaluating Advanced Techniques based on Convolutional and Generative Neural Networks [44.99833362998488]
本稿では,高分解能化技術を用いてスペクトル情報を含むセンチネル2バンドにおける空間分解能の2。最先端CNNモデルは、品質と実現可能性の観点から強化されたGANアプローチと比較される。 GANベースのモデルは、明瞭で詳細な画像を提供するだけでなく、定量的評価の観点からも優れた性能を示す。
論文参考訳（メタデータ） (2024-10-01T08:56:46Z)
Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies mapping [40.996860106131244]
気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
論文参考訳（メタデータ） (2024-01-05T18:11:08Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文参考訳（メタデータ） (2022-08-18T15:27:40Z)
Towards Daily High-resolution Inundation Observations using Deep Learning and EO [0.0]
絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
論文参考訳（メタデータ） (2022-08-10T14:04:50Z)
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)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。