論文の概要: Time Series Classification of Supraglacial Lakes Evolution over Greenland Ice Sheet
- arxiv url: http://arxiv.org/abs/2410.05638v1
- Date: Tue, 8 Oct 2024 02:42:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 17:29:06.780770
- Title: Time Series Classification of Supraglacial Lakes Evolution over Greenland Ice Sheet
- Title（参考訳）: グリーンランド氷床上の氷河湖進化の時系列分類
- Authors: Emam Hossain, Md Osman Gani, Devon Dunmire, Aneesh Subramanian, Hammad Younas,
- Abstract要約: グリーンランド氷床(GrIS)は、主に融水流出の増加により、地球規模の海面上昇に重要な役割を果たしている。
本研究では,Reconstructed Phase Spaces (RPSs) の GMM を用いて,その季節的変化に基づいて上部氷河湖を同定する,計算効率のよい時系列分類手法を提案する。
- 参考スコア（独自算出の注目度）: 2.4266997579486085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Greenland Ice Sheet (GrIS) has emerged as a significant contributor to global sea level rise, primarily due to increased meltwater runoff. Supraglacial lakes, which form on the ice sheet surface during the summer months, can impact ice sheet dynamics and mass loss; thus, better understanding these lakes' seasonal evolution and dynamics is an important task. This study presents a computationally efficient time series classification approach that uses Gaussian Mixture Models (GMMs) of the Reconstructed Phase Spaces (RPSs) to identify supraglacial lakes based on their seasonal evolution: 1) those that refreeze at the end of the melt season, 2) those that drain during the melt season, and 3) those that become buried, remaining liquid insulated a few meters beneath the surface. Our approach uses time series data from the Sentinel-1 and Sentinel-2 satellites, which utilize microwave and visible radiation, respectively. Evaluated on a GrIS-wide dataset, the RPS-GMM model, trained on a single representative sample per class, achieves 85.46% accuracy with Sentinel-1 data alone and 89.70% with combined Sentinel-1 and Sentinel-2 data. This performance significantly surpasses existing machine learning and deep learning models which require a large training data. The results demonstrate the robustness of the RPS-GMM model in capturing the complex temporal dynamics of supraglacial lakes with minimal training data.
- Abstract（参考訳）: グリーンランド氷床(GrIS)は、主に融水流出の増加により、地球規模の海面上昇に重要な役割を果たしている。
夏の間、氷床表面に形成された氷河湖は、氷床のダイナミックスと質量損失に影響を与える可能性があるため、これらの湖の季節的進化と動態をよりよく理解することが重要な課題である。
本研究では,Reconstructed Phase Spaces(RPS)のGaussian Mixture Models(GMMs)を用いて,その季節変化に基づいて上部氷河湖を同定する,計算効率の良い時系列分類手法を提案する。
1)融解期の終わりに凍結するもの
2 融解期に排水するもの、及び
3) 埋没した液体は表面下数メートルで絶縁された。
提案手法では,マイクロ波と可視光をそれぞれ利用したSentinel-1衛星とSentinel-2衛星の時系列データを用いている。
GrIS全体のデータセットに基づいて評価され、クラス毎に1つの代表サンプルでトレーニングされたRSS-GMMモデルは、Sentinel-1データだけで85.46%、Sentinel-1データとSentinel-2データを組み合わせた89.70%の精度を達成している。
このパフォーマンスは、大規模なトレーニングデータを必要とする既存の機械学習およびディープラーニングモデルを大幅に上回る。
以上の結果から,RPS-GMMモデルが極小のトレーニングデータで表層湖の複雑な時間動態を捉える上での堅牢性を示した。
関連論文リスト
- Unicorn: U-Net for Sea Ice Forecasting with Convolutional Neural Ordinary Differential Equations [6.4020980835163765]
本稿では,毎週の海氷予測を目的とした,Unicornという新しい深層建築について紹介する。
本モデルでは,アーキテクチャ内に複数の時系列画像を統合することにより,予測性能を向上する。
論文 参考訳（メタデータ） (2024-05-07T01:17:06Z) - 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) - MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic
Sea Ice Forecasting [0.31410342959104726]
我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。
提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
論文 参考訳（メタデータ） (2023-08-08T18:18:31Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳（メタデータ） (2022-11-15T14:15:04Z) - Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。
本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。
この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を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） (2022-10-17T09:14:35Z) - 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) - Simulating surface height and terminus position for marine outlet
glaciers using a level set method with data assimilation [0.0]
我々は,氷面と終端位置観測を数値的な氷流モデルに統合するためのデータ同化フレームワークを実装した。
このモデルはまた、グリーンランド氷床の主要な干潟であるヘルハイム氷河のシミュレーションにも適用されている。
論文 参考訳（メタデータ） (2022-01-28T16:45:37Z) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳（メタデータ） (2021-09-27T09:19:53Z) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳（メタデータ） (2021-03-14T14:28:57Z) - Lake Ice Detection from Sentinel-1 SAR with Deep Learning [15.493845481313924]
本稿では,深層ニューラルネットワークを用いたSentinel-1 Synthetic Aperture Radar(SAR)データの自動解析に基づく湖氷モニタリングシステムを提案する。
氷検出を2クラス(凍結・非凍結)の意味問題とし,最先端の深部畳み込みネットワーク(CNN)を用いて解いた。
2016年-17年-2017年-18年と3回の冬のスイスのアルペン湖について報告した。
論文 参考訳（メタデータ） (2020-02-17T16:31:41Z)
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。