論文の概要: Deep Learning for Spatio-Temporal Fusion in Land Surface Temperature Estimation: A Comprehensive Survey, Experimental Analysis, and Future Trends
- arxiv url: http://arxiv.org/abs/2412.16631v1
- Date: Sat, 21 Dec 2024 13:53:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 19:42:48.023252
- Title: Deep Learning for Spatio-Temporal Fusion in Land Surface Temperature Estimation: A Comprehensive Survey, Experimental Analysis, and Future Trends
- Title（参考訳）: 地表面温度推定における時空間融合の深層学習:包括的調査,実験解析,今後の展望
- Authors: Sofiane Bouaziz, Adel Hafiane, Raphael Canals, Rachid Nedjai,
- Abstract要約: 地表面温度(LST)は重要な環境過程を理解する上で重要な役割を果たしている。
衛星センサーはしばしば空間分解能と時間分解能のトレードオフに直面している。
時空間融合(STF)は、2つの衛星データソースを統合する強力な方法として登場した。
- 参考スコア（独自算出の注目度）: 3.344876133162209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancements in satellite remote sensing have enhanced the capability to monitor and analyze the Earth's surface. Among the many variables captured through satellite sensors, Land Surface Temperature (LST) plays a critical role in understanding key environmental processes. However, obtaining high-resolution LST data remains a challenge, as satellite sensors often face a trade-off between spatial and temporal resolutions. In response, Spatio-Temporal Fusion (STF) has emerged as a powerful method to integrate two satellite data sources, one providing high spatial but low temporal resolution, and the other offering high temporal but low spatial resolution. Although a range of STF techniques have been proposed, from traditional methods to cutting-edge deep learning (DL) models, most have focused on surface reflectance, with limited application to LST estimation. DL approaches, in particular, show promise in improving the spatial and temporal resolutions of LST by capturing complex, non-linear relationships between input and output LST data. This paper offers a comprehensive review of the latest advancements in DL-based STF techniques for LST estimation. We analyze key research developments, mathematically formulate the STF problem, and introduce a novel taxonomy for DL-based STF methods. Furthermore, we discuss the challenges faced by current methods and highlight future research directions. In addition, we present the first open-source benchmark STF dataset for LST estimation, consisting of 51 pairs of MODIS-Landsat images spanning from 2013 to 2024. To support our findings, we conduct extensive experiments on state-of-the-art methods and present both quantitative and qualitative assessments. This is the first survey paper focused on DL-based STF for LST estimation. We hope it serves as a valuable reference for researchers and paves the way for future research in this field.
- Abstract（参考訳）: 衛星リモートセンシングの急速な進歩により、地球表面の監視と分析能力が強化された。
衛星センサで捉えた多くの変数のうち、ランドサーフェス温度(LST)は重要な環境過程を理解する上で重要な役割を担っている。
しかし、衛星センサーが空間分解能と時間分解能のトレードオフに直面しているため、高解像度のLSTデータを取得することは依然として困難である。
これに対し、時空間融合(STF)は2つの衛星データソースを統合する強力な方法として現れており、1つは高空間分解能、もう1つは高時間分解能、低空間分解能を提供する。
従来の手法から最先端ディープラーニング(DL)モデルまで、様々なSTF手法が提案されているが、ほとんどの場合、表面反射率に重点を置いており、LST推定に限られている。
特にDLアプローチは、入力と出力のLSTデータの間の複雑な非線形関係をキャプチャすることで、LSTの空間分解能と時間分解能を改善することを約束している。
本稿では,LST推定のためのDLベースSTF技術の最新技術について概説する。
我々は、主要な研究成果を分析し、数学的にSTF問題を定式化し、DLに基づくSTF法のための新しい分類法を導入する。
さらに,現状の手法が直面する課題について考察し,今後の研究の方向性を明らかにする。
さらに,2013年から2024年までの51対のMODIS-Landsat画像からなる,LST推定のための最初のオープンソースベンチマークSTFデータセットを提案する。
本研究は,最先端の手法に関する広範な実験を行い,定量評価と定性評価の両方を提示する。
LST推定のためのDLベースのSTFに焦点を当てた最初の調査論文である。
私たちは、これが研究者にとって貴重な参考となり、この分野における将来の研究の道を開くことを願っている。
関連論文リスト
- STFM: A Spatio-Temporal Information Fusion Model Based on Phase Space Reconstruction for Sea Surface Temperature Prediction [7.925940960061756]
本研究では,データ駆動技術のみに基づく予測フレームワークを提案する。
従来のモデルとは異なり,本手法は位相空間再構成によりSSTのダイナミックスを効率的に捕捉する。
論文 参考訳（メタデータ） (2025-04-23T14:14:59Z) - A Decade of Deep Learning for Remote Sensing Spatiotemporal Fusion: Advances, Challenges, and Opportunities [2.2311172523629637]
深層学習はリモートセンシングSTFに革命をもたらした。
本稿では,過去10年間のリモートセンシングSTFにおけるDL開発を概観的にレビューする。
既存の研究における大きな課題について論じ、将来有望な研究基準を特定する。
論文 参考訳（メタデータ） (2025-04-01T15:30:48Z) - Daily Land Surface Temperature Reconstruction in Landsat Cross-Track Areas Using Deep Ensemble Learning With Uncertainty Quantification [5.6087513714958686]
複雑な都市部におけるランドサットのLSTを再構築するための,年間気温サイクルとプロセスを統合するアンサンブル学習手法であるDELAGを提案する。
デラグはニューヨーク市、ロンドン、香港で3つの地域から研究エリアとしてLSTの再建に成功した。
以上の結果から,DLAGによる再建が成功し,正確な空気温度を推定するためのLST再建の広範な応用が明らかとなった。
論文 参考訳（メタデータ） (2025-02-20T10:35:01Z) - Interpreting Object-level Foundation Models via Visual Precision Search [54.575247537324344]
より少ない領域で正確な属性マップを生成する視覚的精度探索法を提案する。
本研究では,DINO と Florence-2 の SOTA に対するオブジェクトレベルのタスク解釈可能性の向上を,様々な評価指標で示す。
提案手法は,複数の評価指標にまたがる既存の手法を超越して,視覚的接地や物体検出タスクにおける障害を解釈することができる。
論文 参考訳（メタデータ） (2024-11-25T08:54:54Z) - GrokLST: Towards High-Resolution Benchmark and Toolkit for Land Surface Temperature Downscaling [28.17231566763907]
高分解能表面温度(LST)は環境研究において重要である。
現在の手法は空間的非アリティを無視し、深層学習のためのオープンソースのエコシステムを欠いていることが多い。
モコLSKネットワーク(Modality-Conditional Large Selective Networks)を提案する。
MoCoLSKはマルチモーダル・データ・スルーモーダル・コンディショニング・プロジェクションを融合させ、LST予測精度を向上させる。
論文 参考訳（メタデータ） (2024-09-30T00:17:00Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - 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) - Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis [70.78170766633039]
我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処する。
BasicTS+は、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするために設計されたベンチマークである。
リッチデータセットとともにBasicTS+を適用し,45 MTS以上の予測ソリューションの性能を評価する。
論文 参考訳（メタデータ） (2023-10-09T19:52:22Z) - 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) - DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising
Diffusion Models [53.67562579184457]
本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。
本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。
提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
論文 参考訳（メタデータ） (2023-01-31T13:42:36Z) - Tensor Decompositions for Hyperspectral Data Processing in Remote
Sensing: A Comprehensive Review [85.36368666877412]
ハイパースペクトル(HS)リモートセンシング(RS)イメージングは、地球表面の観測と分析のためにかなりの量の空間的およびスペクトル的情報を提供している。
近年のHS RS技術の進歩と革命は、様々な応用の可能性を実現する機会を与えている。
3次元HS固有の構造が維持されているため、テンソル分解はHSデータ処理タスクにおける幅広い関心や研究を引き起こしている。
論文 参考訳（メタデータ） (2022-05-13T00:39:23Z) - Generating gapless land surface temperature with a high spatio-temporal
resolution by fusing multi-source satellite-observed and model-simulated data [7.166180462786921]
本研究では,60m空間分解能と半時間時間時間分解能で空隙のないLSTをマッピングするために,衛星観測とLSMシミュレーションによるLSTデータの統合温度融合フレームワークを提案する。
都市支配地域(中国の武漢市)と自然支配地域(中国の平河流域)で評価を行った。
論文 参考訳（メタデータ） (2021-11-29T02:28:47Z)
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。
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。