論文の概要: Daily Land Surface Temperature Reconstruction in Landsat Cross-Track Areas Using Deep Ensemble Learning With Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2502.14433v1
- Date: Thu, 20 Feb 2025 10:35:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:27:22.542052
- Title: Daily Land Surface Temperature Reconstruction in Landsat Cross-Track Areas Using Deep Ensemble Learning With Uncertainty Quantification
- Title(参考訳): 不確実性定量化を用いた深層集合学習によるランドサットクロストラック地域の日表面温度復元
- Authors: Shengjie Liu, Siqin Wang, Lu Zhang,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.6087513714958686
- License:
- Abstract: Many real-world applications rely on land surface temperature (LST) data at high spatiotemporal resolution. In complex urban areas, LST exhibits significant variations, fluctuating dramatically within and across city blocks. Landsat provides high spatial resolution data at 100 meters but is limited by long revisit time, with cloud cover further disrupting data collection. Here, we propose DELAG, a deep ensemble learning method that integrates annual temperature cycles and Gaussian processes, to reconstruct Landsat LST in complex urban areas. Leveraging the cross-track characteristics and dual-satellite operation of Landsat since 2021, we further enhance data availability to 4 scenes every 16 days. We select New York City, London and Hong Kong from three different continents as study areas. Experiments show that DELAG successfully reconstructed LST in the three cities under clear-sky (RMSE = 0.73-0.96 K) and heavily-cloudy (RMSE = 0.84-1.62 K) situations, superior to existing methods. Additionally, DELAG can quantify uncertainty that enhances LST reconstruction reliability. We further tested the reconstructed LST to estimate near-surface air temperature, achieving results (RMSE = 1.48-2.11 K) comparable to those derived from clear-sky LST (RMSE = 1.63-2.02 K). The results demonstrate the successful reconstruction through DELAG and highlight the broader applications of LST reconstruction for estimating accurate air temperature. Our study thus provides a novel and practical method for Landsat LST reconstruction, particularly suited for complex urban areas within Landsat cross-track areas, taking one step toward addressing complex climate events at high spatiotemporal resolution.
- Abstract(参考訳): 多くの実世界のアプリケーションは、高時空間分解能の陸地表面温度(LST)データに依存している。
複雑な都市部では、LSTは大きな変化を示し、都市ブロック内および都市ブロック間で劇的に変動する。
ランドサットは、高度100mの空間分解能データを提供するが、長い再訪時間によって制限され、雲がさらなるデータ収集を妨害する。
本稿では,年次温度サイクルとガウス過程を統合した深層アンサンブル学習手法であるDELAGを提案し,複雑な都市部におけるランドサットLSTを再構築する。
2021年以降のランドサットのクロストラック特性とデュアルサテライト操作を活用して、16日毎に4つのシーンにデータを提供する。
我々は3つの異なる大陸からニューヨーク、ロンドン、香港を研究地域として選定する。
実験の結果、DLAGはクリアスキー (RMSE = 0.73-0.96 K) とヘッジクラウド (RMSE = 0.84-1.62 K) の3つの都市で、既存の手法よりも優れていることがわかった。
さらに、DLAGはLST再構成の信頼性を高める不確実性を定量化することができる。
さらに,LST (RMSE = 1.63-2.02 K) に匹敵する結果(RMSE = 1.48-2.11 K)を得られた。
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。
そこで本研究では,ランドサットにおけるLandsat LST再建手法について,特にランドサット横断市街地の複雑な都市部を対象として,高時空間分解能で複雑な気候イベントに対処するための新しい実践的手法を提案する。
関連論文リスト
- Deep Learning for Spatio-Temporal Fusion in Land Surface Temperature Estimation: A Comprehensive Survey, Experimental Analysis, and Future Trends [3.344876133162209]
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。
論文 参考訳(メタデータ) (2024-12-21T13:53:15Z) - 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) - 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) - SST: Real-time End-to-end Monocular 3D Reconstruction via Sparse
Spatial-Temporal Guidance [71.3027345302485]
リアルタイムモノクル3D再構成は未解決の課題である。
視覚SLAMシステムからのスパース推定点を利用したエンドツーエンドの3D再構成ネットワークSSTを提案する。
SSTは、59FPSで高い推論速度を維持しながら、最先端の競合他社よりも優れています。
論文 参考訳(メタデータ) (2022-12-13T12:17:13Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳(メタデータ) (2022-01-26T14:58:51Z) - 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) - Large-Scale Spatio-Temporal Person Re-identification: Algorithm and
Benchmark [100.77540900932763]
224k以上の画像を持つ10,860のIDを含む,LaST(Large-scale Spatio-Temporal)の個人再IDデータセットを新たに提供した。
LaSTは、より困難で多彩なreID設定を示し、空間的および時間的範囲が大幅に大きい。
論文 参考訳(メタデータ) (2021-05-31T16:05:51Z) - A Novel CNN-LSTM-based Approach to Predict Urban Expansion [1.2233362977312943]
時系列リモートセンシングデータは、幅広いアプリケーションで使用できる豊富な情報ソースを提供します。
本稿では,時系列衛星画像を用いた都市拡大予測の課題について論じる。
都市の拡大を予測するためのセマンティックイメージ分割に基づく新しい2ステップアプローチを提案する。
論文 参考訳(メタデータ) (2021-03-02T12:58:05Z) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳(メタデータ) (2020-09-23T17:52:09Z) - 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous
Driving [48.588254700810474]
本稿では,自律運転における季節的・挑戦的な知覚条件をカバーする新しいデータセットを提案する。
その中には、視覚計測、グローバルな位置認識、マップベースの再位置追跡などが含まれる。
論文 参考訳(メタデータ) (2020-09-14T12:31:20Z)
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。