論文の概要: The Muon Space GNSS-R Surface Soil Moisture Product

• arxiv url: http://arxiv.org/abs/2412.00072v1
• Date: Tue, 26 Nov 2024 04:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-08 08:17:56.852603
• Title: The Muon Space GNSS-R Surface Soil Moisture Product
• Title（参考訳）: Muon Space GNSS-R Surface Soil Moisture Product
• Authors: Max Roberts, Ian Colwell, Clara Chew, Dallas Masters, Karl Nordstrom,
• Abstract要約: Muon Spaceは小型衛星のコンステレーションを構築しており、その多くがグローバルな航法衛星システムリフレクトメトリー(GNSS-R)受信機を搭載している。 この星座の打ち上げに備え、我々は一般化されたディープラーニング検索パイプラインを開発した。 入力データセット,前処理方法,モデルアーキテクチャ,開発手法,およびこれらの検索から生成された土壌水分生成物の詳細について述べる。
• 参考スコア（独自算出の注目度）: 0.4893345190925178
• License:
• Abstract: Muon Space (Muon) is building a constellation of small satellites, many of which will carry global navigation satellite system-reflectometry (GNSS-R) receivers. In preparation for the launch of this constellation, we have developed a generalized deep learning retrieval pipeline, which now produces operational GNSS-R near-surface soil moisture retrievals using data from NASA's Cyclone GNSS (CYGNSS) mission. In this article, we describe the input datasets, preprocessing methods, model architecture, development methods, and detail the soil moisture products generated from these retrievals. The performance of this product is quantified against in situ measurements and compared to both the target dataset (retrievals from the Soil Moisture Active-Passive (SMAP) satellite) and the v1.0 soil moisture product from the CYGNSS mission. The Muon Space product achieves improvements in spatial resolution over SMAP with comparable performance in many regions. An ubRMSE of 0.032 cm$^3$ cm$^{-3}$ for in situ soil moisture observations from SMAP core validation sites is shown, though performance is lower than SMAP's when comparing in forests and/or mountainous terrain. The Muon Space product outperforms the v1.0 CYGNSS soil moisture product in almost all aspects. This initial release serves as the foundation of our operational soil moisture product, which soon will additionally include data from Muon Space satellites.
• Abstract（参考訳）: Muon Space (Muon) は小型衛星のコンステレーションを構築しており、その多くがグローバルな航法衛星システムリフレクトメトリー (GNSS-R) 受信機を搭載している。 この星座の打ち上げに備えて、NASAのサイクロンGNSS(CYGNSS)ミッションのデータを用いて、現在運用中のGNSS-R近傍の土壌水分を回収する、一般化されたディープラーニング検索パイプラインを開発した。 本稿では, 入力データセット, 事前処理方法, モデルアーキテクチャ, 開発手法について述べる。 この製品の性能はin situの測定値に対して定量化され、目標データセット(SMAP衛星の検索結果)とCYGNSSミッションのv1.0土壌水分生成物の両方と比較される。 Muon Space製品は、多くの領域で同等の性能を持つSMAPよりも空間分解能の向上を実現している。 森林や山岳地帯で比較した場合,SMAPコアの土壌水分のその場観測には0.032 cm$^3$ cm$^{-3}$のUBRMSEが用いられるが,その性能はSMAPよりも低い。 Muon Space製品は、ほとんど全ての面において、v1.0 CYGNSS土壌水分生成物よりも優れています。 この最初のリリースは、我々の運用する土壌水分生成物の基盤として役立ち、間もなくムーン宇宙衛星のデータも追加される。

関連論文リスト

• Rapid Distributed Fine-tuning of a Segmentation Model Onboard Satellites [13.235981880457125]
  本研究は、Unibap iX10-100衛星ハードウェアに搭載された、軽量で事前訓練されたセグメンテーションモデルであるMobileSAMを用いた概念実証を行う。 本研究は,災害に迅速に対応し,複数の衛星上での微調整型MobileSAMの分散化の可能性について検討する。
  論文  参考訳（メタデータ） (2024-11-26T19:11:36Z)
• MarsSeg: Mars Surface Semantic Segmentation with Multi-level Extractor and Connector [19.053126804261034]
  本稿では,MarsSegと呼ばれる新しいエンコーダデコーダベースの火星セグメンテーションネットワークを提案する。 Mini-ASPPとPSAはシャドー機能拡張用に特別に設計されている。 SPPMは、高レベルのセマンティックカテゴリ関連情報の抽出を容易にする、機能強化のために使用される。
  論文  参考訳（メタデータ） (2024-04-05T15:04:57Z)
• Learning of Sea Surface Height Interpolation from Multi-variate Simulated Satellite Observations [0.0]
  我々は、このデータに基づいてAttention-Based-Decoderディープラーニングネットワーク(textscabed)をトレーニングする。 SST情報の有無にかかわらず、教師付きまたは教師なしの損失関数を用いて、AbeD再建の評価を行った。 オーシャンデータチャレンジ2021の実際のSSH観測から、この学習戦略とSSTの併用により、OIと比較してルート平均2乗誤差が24%減少することがわかった。
  論文  参考訳（メタデータ） (2023-10-11T16:09:09Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• SSCBench: A Large-Scale 3D Semantic Scene Completion Benchmark for Autonomous Driving [87.8761593366609]
  SSCBenchは、広く使用されている自動車データセットのシーンを統合するベンチマークである。 我々は、単眼、三眼、クラウド入力を用いて、性能ギャップを評価するモデルをベンチマークする。 クロスドメインの一般化テストを簡単にするために、さまざまなデータセットにまたがったセマンティックラベルを統一しています。
  論文  参考訳（メタデータ） (2023-06-15T09:56:33Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Global soil moisture from in-situ measurements using machine learning -- SoMo.ml [0.0]
  機械学習, SoMo.ml を用いたその場測定から得られた土壌水分の地球規模の長期データセットについて述べる。 我々は、世界中の1000以上のステーションから収集されたその場データに基づいて、空間および時間における土壌水分動態を推定するために、Long Short-Term Memory(LSTM)モデルを訓練する。
  論文  参考訳（メタデータ） (2020-10-05T22:32:28Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。