論文の概要: Reconstructing MODIS Normalized Difference Snow Index Product on Greenland Ice Sheet Using Spatiotemporal Extreme Gradient Boosting Model

• arxiv url: http://arxiv.org/abs/2411.01450v1
• Date: Sun, 03 Nov 2024 06:15:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:47:07.471573
• Title: Reconstructing MODIS Normalized Difference Snow Index Product on Greenland Ice Sheet Using Spatiotemporal Extreme Gradient Boosting Model
• Title（参考訳）: 時空間勾配昇降モデルを用いたグリーンランド氷床のMODIS正規化雪指数生成物の再構成
• Authors: Fan Ye, Qing Cheng, Weifeng Hao, Dayu Yu,
• Abstract要約: グリーンランド氷床(GrIS)のような極域における雲の存在は、MODISデータに欠落したピクセルを大量に導入する。 そこで本研究では, 時間的極勾配(STXGTXSI)モデルを用いて, 包括的NDSIデータセットを生成する手法を提案する。 モデルは従来の機械学習モデルの性能を超え、優れたNDSI予測能力を示している。
• 参考スコア（独自算出の注目度）: 3.1005101824771533
• License:
• Abstract: The spatiotemporally continuous data of normalized difference snow index (NDSI) are key to understanding the mechanisms of snow occurrence and development as well as the patterns of snow distribution changes. However, the presence of clouds, particularly prevalent in polar regions such as the Greenland Ice Sheet (GrIS), introduces a significant number of missing pixels in the MODIS NDSI daily data. To address this issue, this study proposes the utilization of a spatiotemporal extreme gradient boosting (STXGBoost) model generate a comprehensive NDSI dataset. In the proposed model, various input variables are carefully selected, encompassing terrain features, geometry-related parameters, and surface property variables. Moreover, the model incorporates spatiotemporal variation information, enhancing its capacity for reconstructing the NDSI dataset. Verification results demonstrate the efficacy of the STXGBoost model, with a coefficient of determination of 0.962, root mean square error of 0.030, mean absolute error of 0.011, and negligible bias (0.0001). Furthermore, simulation comparisons involving missing data and cross-validation with Landsat NDSI data illustrate the model's capability to accurately reconstruct the spatial distribution of NDSI data. Notably, the proposed model surpasses the performance of traditional machine learning models, showcasing superior NDSI predictive capabilities. This study highlights the potential of leveraging auxiliary data to reconstruct NDSI in GrIS, with implications for broader applications in other regions. The findings offer valuable insights for the reconstruction of NDSI remote sensing data, contributing to the further understanding of spatiotemporal dynamics in snow-covered regions.
• Abstract（参考訳）: 積雪の発生・発達のメカニズムや分布変化のパターンを理解する上では,正規化差雪指数(NDSI)の時空間連続データが重要である。 しかし、特にグリーンランド氷床 (GrIS) のような極地でよく見られる雲の存在は、MODIS NDSI の日々のデータに欠落したピクセルを大量に導入している。 この問題に対処するため, 時空間的極勾配増強(STXGBoost)モデルを用いて包括的NDSIデータセットを生成する手法を提案する。 提案モデルでは, 地形特性, 幾何学的パラメータ, 表面特性変数を含む各種入力変数を慎重に選択する。 さらに、このモデルには時空間変動情報が含まれており、NDSIデータセットの再構築能力を高めている。 検証結果はSTXGBoostモデルの有効性を示し, 0.962, root mean square error 0.030, mean absolute error 0.011, negligible bias (0.0001。 さらに、Landsat NDSIデータとの相互検証と欠落データを含むシミュレーション比較は、NDSIデータの空間分布を正確に再構築するモデルの能力を示している。 特に、提案したモデルは従来の機械学習モデルの性能を上回り、優れたNDSI予測能力を示している。 本研究は, GrISにおけるNDSIの再構築に補助的データを活用する可能性を強調し, 他地域における広範な応用を示唆するものである。 この知見は,NDSIリモートセンシングデータの再構築に有用であり,積雪地における時空間ダイナミクスのさらなる理解に寄与する。

関連論文リスト

• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程(GP)とニューラルネットワークを統合し,表面風洞をモデル化する新しい手法を提案する。 本稿では,異なるモデル選択の効果,および近似の度合いについて論じ,ケーススタディにおける結果について述べる。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Learning COVID-19 Regional Transmission Using Universal Differential Equations in a SIR model [0.0]
  本稿では,周辺地域の影響を捉えるために,ユニバーサル微分方程式(UDE)を提案する。 深層ニューラルネットワーク(DNN)によって構成されるSIR方程式に付加的な用語を含め、他の領域からの感染の入射力を学習する。 DNNのみからなる単一領域SIRと完全データ駆動モデルとの比較を行った。
  論文  参考訳（メタデータ） (2023-10-25T17:35:01Z)
• SatDM: Synthesizing Realistic Satellite Image with Semantic Layout Conditioning using Diffusion Models [0.0]
  Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。 本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。 提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
  論文  参考訳（メタデータ） (2023-09-28T19:39:13Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に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） (2023-04-03T13:13:19Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Uncertainty Quantification of Sparse Travel Demand Prediction with Spatial-Temporal Graph Neural Networks [4.488583779590991]
  本研究では,空間的ゼロインフレーション型負二項グラフニューラルネットワーク(STZINB-GNN)を開発し,スパース走行需要の不確かさを定量化する。 拡散と時間的畳み込みネットワークを用いて空間的および時間的相関を解析し、それから融合して旅行需要の確率分布をパラメータ化する。 その結果,特に時空間分解能が高い場合,ベンチマークモデルよりもSTZINB-GNNの方が優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-11T16:21:10Z)
• Spatiotemporal Estimation of TROPOMI NO2 Column with Depthwise Partial Convolutional Neural Network [0.17590081165362778]
  衛星による観測は、雲の覆いと表面反射率に負の影響を受けている。 本稿では,部分畳み込みニューラルネットワーク(PCNN)の適用範囲を広げ,深部畳み込み層を組み込む。 深層学習システムは,TROpospheric Monitoring Instrument TCDNO2をインプットするために,N_2(TCDNO2)の球面密度をシミュレーションしたコミュニティマルチスケール空気品質モデルを用いて訓練される。
  論文  参考訳（メタデータ） (2022-04-12T16:23:36Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)

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。